論文の概要: Ensemble of Unsupervised Deep Learning for Clustering Imbalanced Tabular Data

• arxiv url: http://arxiv.org/abs/2608.00346v1
• Date: Fri, 31 Jul 2026 23:28:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.605584
• Title: Ensemble of Unsupervised Deep Learning for Clustering Imbalanced Tabular Data
• Title（参考訳）: 不均衡話者データのクラスタリングのための教師なし深層学習のアンサンブル
• Abstract要約: 教師なしのディープクラスタリングは、クラスラベルなしで表現学習を行うため、クラス不均衡に免疫することができる。 本稿では,データ不均衡の度合いの異なる最先端の深層クラスタリング手法の性能について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Data imbalance poses a major challenge in supervised classification, where the majority-class bias contributes to false negatives and overestimates classification accuracy. Unsupervised deep clustering can be immune to class imbalance because representation learning for clustering is performed without class labels. Deep clustering has been proposed for images, languages, and graphs, while its application to tabular data has only emerged recently. This paper is among the first to examine the performance of state-of-the-art deep clustering methods under varying levels of data imbalance. We introduce two novel cluster ensemble approaches: one aggregates deep clustering assignments across different embedding dimensions, and the other applies majority voting to the best-performing clustering algorithms. Experiments on 16 binary tabular datasets with varying and artificially induced levels of imbalance reveal distinct strengths of different deep clustering methods. On average, our ensemble methods outperform individual clustering methods in ACC, NMI, and ARI scores, offering greater resilience to data imbalance when identifying ground-truth classes without supervision. Therefore, in an imbalanced data scenario, deep clustering can serve as a strong alternative to supervised classification.
• Abstract（参考訳）: データ不均衡は、多数派偏見が偽陰性に寄与し、分類精度を過大評価する、教師付き分類において大きな課題となる。 クラスタリングのための表現学習は、クラスラベルなしで行われるため、教師なしのディープクラスタリングはクラス不均衡に免疫することができる。 画像、言語、グラフに対してディープクラスタリングが提案されているが、表データへの適用はごく最近である。 本稿では,データ不均衡の度合いの異なる最先端の深層クラスタリング手法の性能について検討する。 2つの新しいクラスタアンサンブルアプローチを導入する: 1つは異なる埋め込み次元にまたがるディープクラスタリングの割り当てを集約し、もう1つは最高のクラスタリングアルゴリズムに多数投票を適用する。 異なる深層クラスタリング手法の異なる強度を, 異なる, 人工的に誘導される不均衡レベルを持つ16の2分グラフデータセットの実験により明らかにした。 平均的なアンサンブル法はACC,NMI,ARIの個々のクラスタリング法よりも優れており,データ不均衡に対するレジリエンスが向上する。 したがって、不均衡なデータシナリオでは、深いクラスタリングが教師付き分類の強力な代替となる。

関連論文リスト

• A Pragmatic Method for Comparing Clusterings with Overlaps and Outliers [0.7646713951724009]
  一般的な設定では、検出された真理クラスタリングと地上の真理クラスタリングは、外れ値(クラスターに属さないオブジェクト)、重なり合うクラスタ(複数のクラスタに属するオブジェクト)、あるいはその両方を持つ。 本稿では,クラスタリングを重なり合いや外れ値と比較するための実用的類似度尺度を定義し,いくつかの望ましい特性を持つことを示すとともに,他のクラスタリング比較尺度に係わるいくつかの共通のバイアスには属さないことを実験的に確認する。
  論文  参考訳（メタデータ） (2026-02-16T15:51:09Z)
• Stable Cluster Discrimination for Deep Clustering [7.175082696240088]
  ディープクラスタリングは、インスタンスの表現(つまり、表現学習)を最適化し、固有のデータ分散を探索することができる。 結合された目的は、すべてのインスタンスが一様機能に崩壊する、自明な解決策を意味する。 本研究では,1段階クラスタリングにおいて,教師あり学習における一般的な識別タスクが不安定であることを示す。 新規な安定クラスタ識別(SeCu)タスクを提案し、それに応じて新しいハードネス対応クラスタリング基準を得ることができる。
  論文  参考訳（メタデータ） (2023-11-24T06:43:26Z)
• Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
  本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。 提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。 フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
  論文  参考訳（メタデータ） (2023-08-13T18:12:28Z)
• Self-Evolutionary Clustering [1.662966122370634]
  既存のディープクラスタリング手法の多くは、単純な距離比較に基づいており、手作り非線形マッピングによって生成されたターゲット分布に大きく依存している。 新たなモジュール型自己進化クラスタリング(Self-EvoC)フレームワークが構築され,自己管理的な分類によってクラスタリング性能が向上する。 このフレームワークは、サンプルアウトレイラを効率よく識別し、自己監督の助けを借りて、より良い目標分布を生成することができる。
  論文  参考訳（メタデータ） (2022-02-21T19:38:18Z)
• Learning Statistical Representation with Joint Deep Embedded Clustering [2.1267423178232407]
  StatDECは、共同統計表現学習とクラスタリングのための教師なしのフレームワークである。 実験により,これらの表現を用いることで,様々な画像データセットにまたがる不均衡な画像クラスタリングの結果を大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2021-09-11T09:26:52Z)
• You Never Cluster Alone [150.94921340034688]
  我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。 分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。 代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
  論文  参考訳（メタデータ） (2021-06-03T14:59:59Z)
• Graph Contrastive Clustering [131.67881457114316]
  本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。 特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。 一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
  論文  参考訳（メタデータ） (2021-04-03T15:32:49Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• 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)
• Progressive Cluster Purification for Unsupervised Feature Learning [48.87365358296371]
  教師なしの特徴学習では、サンプル特異性に基づく手法はクラス間の情報を無視する。 本稿では,プログレッシブクラスタ形成時にクラス不整合サンプルを除外するクラスタリングに基づく新しい手法を提案する。 我々の手法は、プログレッシブ・クラスタ・パーフィケーション(PCP)と呼ばれ、訓練中に徐々にクラスタ数を減らし、プログレッシブ・クラスタリングを実装している。
  論文  参考訳（メタデータ） (2020-07-06T08:11:03Z)

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。