論文の概要: Learnable Weighting of Intra-Attribute Distances for Categorical Data Clustering with Nominal and Ordinal Attributes

• arxiv url: http://arxiv.org/abs/2607.05464v1
• Date: Mon, 06 Jul 2026 04:38:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.270165
• Title: Learnable Weighting of Intra-Attribute Distances for Categorical Data Clustering with Nominal and Ordinal Attributes
• Title（参考訳）: 正規属性と順序属性を持つカテゴリデータクラスタリングのための属性内距離の学習可能な重み付け
• Abstract要約: 本研究は, 固有属性値と順序属性値の関連性について, グラフに類似した視点から検討する。 そこで本稿では,名詞的属性と順序的属性の属性内距離を統一的に測定する新しい距離測定法を提案する。 また,データオブジェクトの属性内距離重みと分割の学習を単一学習パラダイムにするためのクラスタリングアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 60.91548718000255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The success of categorical data clustering generally much relies on the distance metric that measures the dissimilarity degree between two objects. However, most of the existing clustering methods treat the two categorical subtypes, i.e. nominal and ordinal attributes, in the same way when calculating the dissimilarity without considering the relative order information of the ordinal values. Moreover, there would exist interdependence among the nominal and ordinal attributes, which is worth exploring for indicating the dissimilarity. This paper will therefore study the intrinsic difference and connection of nominal and ordinal attribute values from a perspective akin to the graph. Accordingly, we propose a novel distance metric to measure the intra-attribute distances of nominal and ordinal attributes in a unified way, meanwhile preserving the order relationship among ordinal values. Subsequently, we propose a new clustering algorithm to make the learning of intra-attribute distance weights and partitions of data objects into a single learning paradigm rather than two separate steps, whereby circumventing a suboptimal solution. Experiments show the efficacy of the proposed algorithm in comparison with the existing counterparts.
• Abstract（参考訳）: 分類データクラスタリングの成功は、一般的に2つのオブジェクト間の相同性度を測定する距離メートル法に大きく依存している。 しかし、既存のクラスタリング手法のほとんどは、順序値の相対的な順序情報を考慮せずに相同性を計算するのと同じ方法で、名目属性と順序属性の2つのカテゴリのサブタイプを扱う。 さらに、名目的属性と順序的属性の間には相互依存関係が存在し、これは相同性を示すのに価値がある。 そこで本研究では,グラフに類似した観点から,固有属性値と順序属性値の関連性について検討する。 そこで本研究では,順序値間の順序関係を保ちながら,固有属性と順序属性の属性内距離を統一的に測定する新しい距離測定法を提案する。 次に,2つのステップではなく,データオブジェクトの属性内距離重みと分割の学習を1つの学習パラダイムに分割するクラスタリングアルゴリズムを提案する。 実験では,提案アルゴリズムの有効性を既存アルゴリズムと比較した。

関連論文リスト

• Learning Unified Distance Metric for Heterogeneous Attribute Data Clustering [60.05209293008078]
  クラスタ分析のための異種属性再構成と表現(HARR)学習パラダイム HarR はパラメータフリーで収束保証され、異なる要求されたクラスタ数 $k$ に対してより効果的に自己適応することができる。
  論文  参考訳（メタデータ） (2026-03-03T08:13:16Z)
• Bridging the Semantic Gap for Categorical Data Clustering via Large Language Models [64.58262227709842]
  ARISE(Attention-weighted Representation with Integrated Semantic Embeddings)が紹介される。 正確なクラスタリングのためにカテゴリデータのメトリック空間を補完するセマンティックアウェア表現を構築する。 8つのベンチマークデータセットの実験では、7つの代表的なデータセットよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-01-03T11:37:46Z)
• 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)
• Categorical Data Clustering via Value Order Estimated Distance Metric Learning [53.28598689867732]
  本稿では,分類属性を直感的に表現する新しい順序距離計量学習手法を提案する。 新しい共同学習パラダイムが開発され、クラスタリングとオーダー距離メートル法学習の代替となる。 提案手法は分類および混合データセットのクラスタリング精度に優れる。
  論文  参考訳（メタデータ） (2024-11-19T08:23:25Z)
• Riemannian classification of EEG signals with missing values [67.90148548467762]
  本稿では脳波の分類に欠落したデータを扱うための2つの方法を提案する。 第1のアプローチでは、インプットされたデータと$k$-nearestの隣人アルゴリズムとの共分散を推定し、第2のアプローチでは、期待最大化アルゴリズム内で観測データの可能性を活用することにより、観測データに依存する。 その結果, 提案手法は観測データに基づく分類よりも優れており, 欠落したデータ比が増大しても高い精度を維持することができることがわかった。
  論文  参考訳（メタデータ） (2021-10-19T14:24:50Z)
• Multi-Objective Few-shot Learning for Fair Classification [23.05869193599414]
  本稿では,データ内の二次属性に対する予測クラスの相違を緩和する枠組みを提案する。 提案手法は,データから一次クラスラベルを予測することの主目的を学習することに加えて,クラスタメンバシップに対するクラスラベル分布の差異を最小限に抑えるためにクラスタリングをベースとした多目的関数を学習することを含む。
  論文  参考訳（メタデータ） (2021-10-05T11:28:58Z)
• An Effectiveness Metric for Ordinal Classification: Formal Properties and Experimental Results [9.602361044877426]
  本稿では,測定理論と情報理論に根ざした正規分類・閉度評価尺度の新しい尺度を提案する。 NLP共有タスクの合成データとデータの両方に対する理論的解析と実験結果から,提案手法が従来のタスクから品質面を同時に捉えていることが示唆された。
  論文  参考訳（メタデータ） (2020-06-01T20:35:46Z)

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。