論文の概要: NVE: A Separability and Coverage-Aware Internal Validation Metric for Biclustering

• arxiv url: http://arxiv.org/abs/2608.29045v1
• Date: Sat, 29 Aug 2026 04:35:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.824943
• Title: NVE: A Separability and Coverage-Aware Internal Validation Metric for Biclustering
• Title（参考訳）: NVE: ビクラスタリングのための分離性とカバレッジを考慮した内部検証基準
• Authors: Paritosh Tiwari, I Navin Kumar, James C. Bezdek, Punit Rathore,
• Abstract要約: Biclusteringは、データマトリックスの行と列を同時にグループ化することで、コヒーレントなサブマトリクスを発見することを目的としている。 Mean Squared Residue(MSR)やVirtual Error(VE)といった既存の内部ビクラスタリング対策は、主にビクラスタ内のコヒーレンスを評価する。 本稿では,スーパービクラスタ正規化戦略を用いてVEを拡張する内部検証指標である正規化仮想エラー(NVE)について検討する。
• 参考スコア（独自算出の注目度）: 2.8272286359224563
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biclustering, or co-clustering, aims to discover coherent submatrices by grouping rows and columns of a data matrix simultaneously. This local two-dimensional structure makes validation more difficult than in ordinary clustering, where internal indices usually rely on compactness and separation in a single shared feature space. Existing popular internal biclustering measures such as Mean Squared Residue (MSR), and Virtual Error (VE) mainly evaluate within-bicluster coherence. Although useful, these measures do not directly assess whether the extracted biclusters are mutually distinct or whether they explain a meaningful portion of the data matrix. This paper investigates Normalised Virtual Error (NVE), an internal validation metric that extends VE using a super-bicluster normalization strategy. By comparing the VE of each bicluster with the VE obtained after merging it with other biclusters, NVE introduces a relative notion of separability and redundancy. We also study a coverage-adjusted variant, NVE\textsubscript{cov}, which penalizes solutions that obtain low error by selecting only very small submatrices. Through controlled synthetic benchmarks and yeast gene-expression datasets, we examine whether NVE and NVE\textsubscript{cov} provide information beyond standard coherence-based metrics. The results show that NVE is sensitive to redundant and poorly separated biclusters, while NVE\textsubscript{cov} changes solution rankings when low-error biclusters cover only a negligible part of the matrix. These findings suggest that NVE-based measures are useful complementary criteria for internal co-clustering validation, especially when coherence, separability, and coverage must be considered jointly.
• Abstract（参考訳）: ビクラスタリング(biclustering)は、データマトリックスの行と列を同時にグループ化することで、コヒーレントなサブマトリクスを発見することを目的としている。 この局所的な2次元構造は、通常のクラスタリングよりも検証が難しい。 Mean Squared Residue(MSR)やVirtual Error(VE)といった既存の内部ビクラスタリング対策は、主にビクラスタ内のコヒーレンスを評価している。 有用ではあるが,これらの尺度は,抽出したビクラスタが相互に異なるか,あるいはデータマトリックスの有意な部分を説明するかを直接的に評価するものではない。 本稿では,スーパービクラスタ正規化戦略を用いてVEを拡張する内部検証指標である正規化仮想エラー(NVE)について検討する。 各ビクラスタのVEと他のビクラスタとマージしたVEを比較することで、NVEは分離性と冗長性の相対的な概念を導入している。 また、非常に小さな部分行列のみを選択することで、低い誤差を得る解をペナライズするカバレッジ調整型NVE\textsubscript{cov}についても検討する。 NVE と NVE\textsubscript{cov} が標準コヒーレンスに基づく指標以上の情報を提供するかどうかを検討する。 その結果、NVEは冗長で分離の不十分なビクラスタに敏感であり、NVE\textsubscript{cov} は低エラービクラスタが行列の無視可能な部分のみをカバーする場合のソリューションランキングを変更することがわかった。 以上の結果から,NVEによる測定は,コヒーレンス,セパビリティ,カバレッジを共同で検討する上で,コクラスタリングの検証に有用であることが示唆された。

関連論文リスト

• Imputation Meets Clustering: Exploiting Latent Subgroup Structure for Missing Data Recovery [52.29866804948133]
  本稿では、クラスタリングと命令を相互に強化する共最適化プロセスとして再構築するフレームワークであるCAGI(Cluster-Aware Generative Imputation)を提案する。 14のベンチマークデータセットと15の代表的なベースラインの実験は、CAGIの優位性を実証している。
  論文  参考訳（メタデータ） (2026-07-08T02:50:02Z)
• Group-Aware Matrix Estimation and Latent Subspace Recovery [4.619828919345115]
  Group-Aware Matrix Estimation (GAME) は、サブグループ単位の低ランク行列を重畳する凸推定器である。 GAMEはサブグループ認識の正規化によって再構成精度と潜在部分空間の忠実度が向上する構造的欠落機構において最も有益であることを示す。
  論文  参考訳（メタデータ） (2026-05-19T23:22:32Z)
• Weight-Informed Self-Explaining Clustering for Mixed-Type Tabular Data [63.62853416081748]
  WISEは表現、特徴重み付け、クラスタリング、解釈を統一するフレームワークである。 クラスタリングを駆動する同じプリミティブに根ざした、忠実で人間解釈可能な説明を生成する。
  論文  参考訳（メタデータ） (2026-04-07T13:18:31Z)
• 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)
• 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)
• Goodness-of-fit Test on the Number of Biclusters in Relational Data Matrix [41.60125423028092]
  Biclusteringは与えられた観察されたマトリックスの均質なサブマトリックスを検出する問題です。 本稿では,正規格子仮定を必要としない2クラスタ数に関する新しい統計テストを提案する。
  論文  参考訳（メタデータ） (2021-02-23T12:25:58Z)
• Clustering Ensemble Meets Low-rank Tensor Approximation [50.21581880045667]
  本稿では,複数のクラスタリングを組み合わせ,個々のクラスタリングよりも優れたパフォーマンスを実現するクラスタリングアンサンブルの問題について検討する。 本稿では,この問題をグローバルな視点から解くために,新しい低ランクテンソル近似法を提案する。 7つのベンチマークデータセットを用いた実験の結果,提案手法は12の最先端手法と比較して,クラスタリング性能のブレークスルーを達成した。
  論文  参考訳（メタデータ） (2020-12-16T13:01:37Z)
• Biclustering with Alternating K-Means [5.089110111757978]
  本稿では,経験的クラスタリングリスクを最小限に抑えるというアイデアに基づいて,ビクラスタリング問題の新たな定式化について述べる。 カラムと行間のk-meansクラスタリングアルゴリズムの適応バージョンを交互に使用することにより,局所最小値を求める,単純で斬新なアルゴリズムを提案する。 その結果,本アルゴリズムは,データ中の有意義な構造を検知し,様々な設定や状況において競合する2クラスタリング手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-09-09T20:15:24Z)

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。