論文の概要: K-Survival Means

• arxiv url: http://arxiv.org/abs/2607.24405v1
• Date: Mon, 27 Jul 2026 13:21:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.426878
• Title: K-Survival Means
• Title（参考訳）: K‐Survival Means
• Abstract要約: K-SurvMeansは生存データをクラスタリングするためのK-Meansの新たな拡張である。 この方法はクラスタリングプロセスの生存結果を明示的に利用してクラスタセンターを最適化する。 複数の公開ベンチマークサバイバルデータセットの実験により、K-SurvMeansはサバイバル分布の分離を改善したクラスタを一貫して生成することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we propose K-SurvMeans, a novel extension of K-Means for clustering survival data. The method explicitly uses the survival outcome in the clustering process to optimize cluster centers, thereby maximizing pairwise survival differences between clusters. The objective function encourages the clusters to be well-separated from the survival perspective. Since the resulting optimization problem is non-differentiable, we employ the Particle Swarm algorithm for the Optimization process. To further improve flexibility and mitigate the curse of dimensionality, we extend the framework to operate in a learned low-dimensional latent space obtained via a dimensionality reduction. This allows the method to capture better-separated clusters and enhance optimization efficiency by reducing the search space. Experiments on multiple publicly available benchmark survival datasets demonstrate that K-SurvMeans consistently yields clusters with improved separation in survival distributions compared to existing deep learning-based survival clustering methods.
• Abstract（参考訳）: 本研究では,K-SurvMeansをクラスタリングサバイバルデータに拡張したK-SurvMeansを提案する。 この手法はクラスタリングプロセスの生存結果をクラスタセンターの最適化に用いて,クラスタ間の相互生存差を最大化する。 目的関数は、生存の観点からクラスターを適切に分離することを奨励する。 結果の最適化問題は微分不可能であるため、最適化にはParticle Swarmアルゴリズムを用いる。 よりフレキシビリティを向上し、次元の呪いを軽減するため、我々は、次元の縮小によって得られる学習された低次元潜在空間において、フレームワークを拡張して操作する。 これにより、より分離されたクラスタを捕捉し、探索空間を小さくすることで最適化効率を向上させることができる。 複数の公開可能なベンチマークサバイバルデータセットの実験では、K-SurvMeansは既存のディープラーニングベースのサバイバルクラスタリング手法と比較して、サバイバル分布の分離を改善したクラスタを一貫して生成している。

関連論文リスト

• Convex Clustering Redefined: Robust Learning with the Median of Means Estimator [22.614296433333106]
  コンベックスクラスタリングをMedian of Means (MoM) 推定器と統合するロバストなアプローチを導入する。 提案手法は,特に大規模データセットにおいて,性能と効率を両立させる。
  論文  参考訳（メタデータ） (2025-11-12T21:16:53Z)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Data Clustering and Visualization with Recursive Goemans-Williamson MaxCut Algorithm [0.0]
  本稿では,ベクトル化されたデータクラスタリングタスクの性能向上を実現するため,古典的な Goemans-Williamson MaxCut アルゴリズムを改良した。 本手法は計算効率とクラスタリング精度の両面での優位性を提供する。
  論文  参考訳（メタデータ） (2024-08-14T18:30:57Z)
• GCC: Generative Calibration Clustering [55.44944397168619]
  本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。 まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。 第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
  論文  参考訳（メタデータ） (2024-04-14T01:51:11Z)
• Fuzzy K-Means Clustering without Cluster Centroids [21.256564324236333]
  ファジィK平均クラスタリングは教師なしデータ分析において重要な手法である。 本稿では,クラスタセントロイドへの依存を完全に排除する,ファジィテクストK-Meansクラスタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-04-07T12:25:03Z)
• Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
  教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。 本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。 これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
  論文  参考訳（メタデータ） (2024-02-03T19:00:19Z)
• Deep Embedding Clustering Driven by Sample Stability [16.53706617383543]
  サンプル安定性(DECS)により駆動されるディープ埋め込みクラスタリングアルゴリズムを提案する。 具体的には、まずオートエンコーダで初期特徴空間を構築し、次にサンプル安定性に制約されたクラスタ指向の埋め込み機能を学ぶ。 5つのデータセットに対する実験結果から,提案手法は最先端のクラスタリング手法と比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-01-29T09:19:49Z)
• End-to-end Learnable Clustering for Intent Learning in Recommendation [54.157784572994316]
  我々は、アンダーラインELCRecと呼ばれる新しい意図学習手法を提案する。 振る舞い表現学習をUnderlineEnd-to-end UnderlineLearnable UnderlineClusteringフレームワークに統合する。 1億3000万ページビューの産業レコメンデーションシステムに本手法をデプロイし,有望な結果を得る。
  論文  参考訳（メタデータ） (2024-01-11T15:22:55Z)
• Rethinking k-means from manifold learning perspective [122.38667613245151]
  平均推定なしで直接データのクラスタを検出する新しいクラスタリングアルゴリズムを提案する。 具体的には,バタワースフィルタを用いてデータ点間の距離行列を構成する。 異なる視点に埋め込まれた相補的な情報をうまく活用するために、テンソルのSchatten p-norm正規化を利用する。
  論文  参考訳（メタデータ） (2023-05-12T03:01:41Z)
• Improving the Utility of Differentially Private Clustering through Dynamical Processing [4.6289929100615]
  この研究は、ユーティリティとプライバシの差分なプライベートクラスタリングのトレードオフを軽減することを目的としている。 既存の作業は、パフォーマンスの低下を示す単純なメソッドに重点を置いている。
  論文  参考訳（メタデータ） (2023-04-27T00:13:17Z)
• 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)
• Contrastive Clustering [57.71729650297379]
  本稿では,インスタンスレベルのコントラスト学習を明示的に行うContrastive Clustering (CC)を提案する。 特にCCは、CIFAR-10(CIFAR-100)データセット上で0.705(0.431)のNMIを達成しており、最高のベースラインと比較して最大19%(39%)のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-09-21T08:54:40Z)
• Clustering Binary Data by Application of Combinatorial Optimization Heuristics [52.77024349608834]
  本稿では,2値データのクラスタリング手法について検討し,まず,クラスタのコンパクトさを計測するアグリゲーション基準を定義した。 近隣地域と人口動態最適化メタヒューリスティックスを用いた5つの新しいオリジナル手法が導入された。 準モンテカルロ実験によって生成された16のデータテーブルから、L1の相似性と階層的クラスタリング、k-means(メドイドやPAM)の1つのアグリゲーションの比較を行う。
  論文  参考訳（メタデータ） (2020-01-06T23:33:31Z)

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。