論文の概要: Density-aware Hierarchical Clustering Based on Element-Categorized Connection Subgraphs

• arxiv url: http://arxiv.org/abs/2608.06990v1
• Date: Fri, 07 Aug 2026 09:09:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.426281
• Title: Density-aware Hierarchical Clustering Based on Element-Categorized Connection Subgraphs
• Title（参考訳）: 要素分類接続部分グラフに基づく密度認識階層クラスタリング
• Authors: Yuning Yu, José Rodríguez-Piñeiro, Xuefeng Yin, Bin Feng,
• Abstract要約: 要素分類接続部分グラフ(DHC-ECS)に基づく密度対応階層クラスタリング手法を提案する。 DHC-ECSは, クラスタリング精度とパラメータロバスト性において, ベースライン法よりも優れた総合性能を示す。
• 参考スコア（独自算出の注目度）: 13.822291165758704
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clustering is a fundamental data mining technique for pattern recognition through unsupervised learning. Among various clustering methods, hierarchical clustering, density-based clustering, and graph clustering stand out as representative approaches. For hierarchical clustering, it can be categorized into agglomerative and divisive modes to construct clusters in a recursive manner. The key aspect of both modes is the calculation of inter-cluster similarity, which determines whether to merge the sub-clusters into one cluster or divide a current cluster into sub-clusters. Traditionally, the similarity is derived from pairwise distances, often overlooking density variations and structural connectivity in graphs. To address this, we propose a density-aware hierarchical clustering method based on element-categorized connection subgraphs (DHC-ECS), which effectively integrates the hierarchical clustering, density-based clustering, and graph clustering. Particularly, a novel inter-cluster similarity metric is introduced that considers not only distances but also the element categorization in the KNN connection subgraphs, kernel density estimation, and local connectivity within sub-clusters. Extensive evaluations on heterogeneous benchmark datasets demonstrate that DHC-ECS exhibits superior overall performance in terms of clustering accuracy and parameter robustness compared with the baseline methods (including AChameleon, RNN-DBSCAN, McDPC, and G-RMS). The work indicates the great potential of the proposed clustering algorithm for low-dimensional datasets by leveraging local density and graph-structured connectivity (i.e., the duality of vertices and edges), as well as the possibility to determine an intrinsic threshold, reducing the reliance on manual parameter tuning.
• Abstract（参考訳）: クラスタリングは、教師なし学習によるパターン認識のための基本的なデータマイニング技術である。 クラスタリング手法としては,階層クラスタリング,密度ベースクラスタリング,グラフクラスタリングなどがある。 階層的クラスタリングでは、再帰的な方法でクラスタを構築するために、集約モードと分割モードに分類することができる。 クラスタ間類似性の計算は、サブクラスタをひとつのクラスタにマージするか、現在のクラスタをサブクラスタに分割するかを決定する。 伝統的に、類似性はグラフの密度の変動や構造的な接続性を見渡すためにペア距離から導かれる。 そこで本研究では, 階層クラスタリング, 密度ベースクラスタリング, グラフクラスタリングを効果的に統合した, 要素分類接続サブグラフ(DHC-ECS)に基づく階層クラスタリング手法を提案する。 特に、距離だけでなく、KNN接続サブグラフにおける要素分類、カーネル密度推定、サブクラスタ内の局所接続を考慮した新しいクラスタ間類似度指標が導入された。 不均一なベンチマークデータセットに対する広範囲な評価は、DHC-ECSが、AChameleon、RNN-DBSCAN、McDPC、G-RMSなどのベースライン手法と比較して、クラスタリングの精度とパラメータの堅牢性において優れた全体的な性能を示すことを示している。 この研究は、局所密度とグラフ構造接続(すなわち頂点と辺の双対性)を活用することにより、低次元データセットに対するクラスタリングアルゴリズムの大きな可能性を示し、また本質的な閾値を決定する可能性を示し、手動パラメータチューニングへの依存を減らす。

関連論文リスト

• Hierarchical clustering with maximum density paths and mixture models [44.443538161979056]
  t-NEBは確率的に基底化された階層的クラスタリング法である。 自然な高次元データに対して最先端のクラスタリング性能が得られる。
  論文  参考訳（メタデータ） (2025-03-19T15:37:51Z)
• Clustering Based on Density Propagation and Subcluster Merging [92.15924057172195]
  本稿では,クラスタ数を自動的に決定し,データ空間とグラフ空間の両方に適用可能な密度に基づくノードクラスタリング手法を提案する。 二つのノード間の距離を計算する従来の密度クラスタリング法とは異なり,提案手法は伝播過程を通じて密度を決定する。
  論文  参考訳（メタデータ） (2024-11-04T04:09:36Z)
• DCSI -- An improved measure of cluster separability based on separation and connectedness [0.0]
  あるデータセットのクラスラベルが意味のあるクラスタに対応するかどうかは、実世界のデータセットを用いたクラスタリングアルゴリズムの評価に不可欠である。 密度に基づくクラスタリングにおける分離性の中心的な側面は、クラス間の分離とクラス内の連結性である。 新たに開発された尺度 (density cluster separability index, DCSI) は、これらの2つの特性を定量化することを目的としており、CVIとしても使用できる。
  論文  参考訳（メタデータ） (2023-10-19T15:01:57Z)
• 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)
• Enhancing cluster analysis via topological manifold learning [0.3823356975862006]
  クラスタ化前にデータセットのトポロジ構造を推定することで,クラスタ検出を大幅に向上させることができることを示す。 位相構造を推定するための多様体学習法UMAPと密度に基づくクラスタリング法DBSCANを組み合わせた。
  論文  参考訳（メタデータ） (2022-07-01T15:53:39Z)
• DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep Neural Networks [53.88811980967342]
  本稿では,Ensembles (DeepCluE) を用いたDeep Clusteringを提案する。 ディープニューラルネットワークにおける複数のレイヤのパワーを活用することで、ディープクラスタリングとアンサンブルクラスタリングのギャップを埋める。 6つの画像データセットの実験結果から、最先端のディープクラスタリングアプローチに対するDeepCluEの利点が確認されている。
  論文  参考訳（メタデータ） (2022-06-01T09:51:38Z)
• Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
  我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。 SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。 OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
  論文  参考訳（メタデータ） (2021-10-15T03:25:28Z)
• 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。