論文の概要: How to evaluate clustering with ground truth?

• arxiv url: http://arxiv.org/abs/2606.27061v1
• Date: Thu, 25 Jun 2026 14:07:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.315215
• Title: How to evaluate clustering with ground truth?
• Title（参考訳）: クラスタリングを真実とどのように評価するか?
• Abstract要約: 我々は,セットマッチングに基づく尺度に着目した,最も一般的な外的妥当性指標についてレビューする。 説明可能な結果を持つ直感的なクラスタレベル尺度であるため,Centroid Index (CI) を推奨する。
• 参考スコア（独自算出の注目度）: 2.335152769484957
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: External indexes can be used for cluster evaluation when ground truth is available. We review the most common external validity indexes focusing on set-matching-based measures. We recommend centroid index (CI), because it is an intuitive cluster-level measure with an explainable result. If we need a more fine-tuned, point-level measure, there are more choices. Pair-set index (PSI) provides a normalized score which is not biased by cluster sizes. If all points should matter equally, then clustering accuracy (ACC) or any other set-matching measure is suitable.
• Abstract（参考訳）: 外部インデックスは、基底真理が利用可能である場合、クラスタ評価に使用することができる。 我々は,セットマッチングに基づく尺度に着目した,最も一般的な外的妥当性指標についてレビューする。 説明可能な結果を持つ直感的なクラスタレベル尺度であるため,Centroid Index (CI) を推奨する。 より微調整されたポイントレベルの測度が必要なら、もっと選択肢があります。 Pair-set Index (PSI) はクラスタサイズに偏らない正規化スコアを提供する。 すべての点が等しく重要であるならば、クラスタリング精度(ACC)や他の任意のセットマッチング尺度が適している。

関連論文リスト

• Break the Tie: Learning Cluster-Customized Category Relationships for Categorical Data Clustering [51.11677202873771]
  定性的な値を持つカテゴリ属性は、実際のデータセットのクラスタ分析においてユビキタスである。 数値属性のユークリッド距離とは異なり、分類属性はそれらの可能な値の明確な関係を欠いている。 本稿では属性カテゴリの固有関係関係を破り、様々なクラスタ分布を柔軟に明らかにするのに適したカスタマイズされた距離メトリクスを学習する。
  論文  参考訳（メタデータ） (2025-11-12T06:57:24Z)
• CADM: Cluster-customized Adaptive Distance Metric for Categorical Data Clustering [54.20010572648918]
  分類データ間の距離を直接計算できないため、分類データのクラスタリングには適切な距離メートル法が不可欠である。 本稿では,クラスタ内の属性の異なる分布に基づいて距離を競合的に更新できる分類データクラスタリングのためのクラスタカストマイズド距離メトリックを提案する。
  論文  参考訳（メタデータ） (2025-11-08T03:24:22Z)
• Generalization Performance of Ensemble Clustering: From Theory to Algorithm [57.176040163699554]
  本稿では,アンサンブルクラスタリングにおける一般化誤差,過剰リスク,一貫性に着目した。 有限クラスタリングに様々な重みを割り当てることで、経験的平均クラスタリングと期待値との誤差を最小化する。 我々は、新しいアンサンブルクラスタリングアルゴリズムを開発するために、我々の理論をインスタンス化する。
  論文  参考訳（メタデータ） (2025-06-01T09:34:52Z)
• K*-Means: A Parameter-free Clustering Algorithm [55.20132267309382]
  k*-meansは、kや他のパラメータをセットする必要がない新しいクラスタリングアルゴリズムである。 最小記述長の原理を用いて、クラスタの分割とマージによって最適なクラスタ数k*を自動的に決定する。 k*-平均が収束することが保証されることを証明し、kが未知のシナリオにおいて既存のメソッドよりも著しく優れていることを実験的に証明する。
  論文  参考訳（メタデータ） (2025-05-17T08:41:07Z)
• ABCDE: Application-Based Cluster Diff Evals [49.1574468325115]
  それは実用性を目指しており、アイテムはアプリケーション固有の重要な値を持つことができ、クラスタリングがどちらが優れているかを判断するときに人間の判断を使うのは粗悪であり、アイテムの任意のスライスのためのメトリクスを報告できる。 クラスタリング品質の差分を測定するアプローチは、高価な地平を前もって構築し、それに関して各クラスタリングを評価する代わりに、ABCDEはクラスタリング間の実際の差分に基づいて、判定のための質問をサンプリングする。
  論文  参考訳（メタデータ） (2024-07-31T08:29:35Z)
• A correlation-based fuzzy cluster validity index with secondary options detector [0.0]
  本稿では,Wiroonsri-Preedasawakul(WP)インデックスとして知られる相関に基づくファジィクラスタの妥当性指標を提案する。 我々は,Xie-Beni,Pakhira-Bandyopadhyay-Maulik,Tang,Wu-Li,Generalized C,Kwon2などの既存指標と比較した。
  論文  参考訳（メタデータ） (2023-08-28T16:40:34Z)
• Revisiting Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [85.51611950757643]
  IAC (Instance-Adaptive Clustering, インスタンス適応クラスタリング) を提案する。 IACは$ MathcalO(n, textpolylog(n) $の計算複雑性を維持しており、大規模問題に対してスケーラブルで実用的なものである。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)
• Normalised clustering accuracy: An asymmetric external cluster validity measure [0.9983624159392207]
  クラスタリングアルゴリズムは、伝統的に内部または外部の妥当性尺度を用いて評価される。 本稿では、一般的に使われている古典的分割類似度スコアは、いくつかの望ましい性質を欠いていると論じる。 我々は,最適セットマッチング精度のバージョンである新しい尺度を提案し,分析する。
  論文  参考訳（メタデータ） (2022-09-07T05:08:34Z)
• Are Cluster Validity Measures (In)valid? [3.7491936479803054]
  本稿では、教師なし学習活動において、このような指標を客観的機能として扱うとどうなるかを検討する。 多くのクラスタ(無効度指数)が、専門家の知識にマッチするクラスタリングを促進することが判明した。 我々は、OWA演算子と近辺グラフ上に構築されたダン指数の、より優れた新しい変種を導入する。
  論文  参考訳（メタデータ） (2022-08-02T06:08:48Z)
• J-Score: A Robust Measure of Clustering Accuracy [8.33909555155795]
  クラスタリング分析は、データセットに隠された構造を発見し、それらを非結合クラスタに分割する。 現在のクラスタリング精度測定には、未整合クラスタを見渡すこと、過剰なクラスタへのバイアス、不安定なベースライン、難解な解釈が含まれる。 これらの問題に対処する新しい精度尺度 J-score を提案する。
  論文  参考訳（メタデータ） (2021-09-03T04:43:52Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。