論文の概要: Multi-Domain Clustering via Measure Quantization

• arxiv url: http://arxiv.org/abs/2609.21664v1
• Date: Fri, 18 Sep 2026 12:00:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.068905
• Title: Multi-Domain Clustering via Measure Quantization
• Title（参考訳）: 測定量子化によるマルチドメインクラスタリング
• Abstract要約: 本稿では,測度量子化によるマルチドメインクラスタリングのための一般的なフレームワークを提案する。 データポイントは、最も近いセントロイドまたは最適な転送によってクラスタに割り当てられる。 ミニバッチ最適化戦略は、フィッティングと割り当ての両方をスケーラブルにし、メモリと計算コストを削減します。
• 参考スコア（独自算出の注目度）: 7.216399430290167
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clustering is a fundamental task in data analysis, typically addressed through centroid-based methods such as K-means. In this work, we present a general framework for multi-domain clustering via measure quantization: given samples from multiple domains, we learn a shared set of cluster prototypes by minimizing a probability metric, such as the Sinkhorn divergence or the Maximum Mean Discrepancy, between each domain's probability measure and the measure of prototypes. Data points are then assigned to clusters either via nearest centroid, or via optimal transport, a collaborative strategy that couples all samples within a domain. A mini-batch optimization strategy makes both fitting and assignment scalable, reducing memory and computational cost while preserving clustering performance. Experimental results on 5 multi-domain benchmarks spanning image, audio and sensor data show that our Sinkhorn-based method consistently outperforms classical and multi-domain clustering baselines, and that this advantage persists when scaling to hundreds of thousands of samples.
• Abstract（参考訳）: クラスタリングはデータ分析における基本的なタスクであり、一般的にはK平均のようなセントロイドベースの手法によって対処される。 本研究では,複数の領域からのサンプルが与えられた場合,各領域の確率測度とプロトタイプの測度との間に,シンクホーン発散量や最大平均離散度などの確率測度を最小化することにより,クラスタプロトタイプの共有集合を学習する。 データポイントは、最寄りのセントロイドや、ドメイン内のすべてのサンプルを結合するコラボレーティブ戦略である最適なトランスポートによってクラスタに割り当てられる。 ミニバッチ最適化戦略は、クラスタリング性能を維持しながら、フィッティングと割り当ての両方をスケーラブルにし、メモリと計算コストを削減します。 画像、オーディオ、センサーデータにまたがる5つのマルチドメインベンチマークの実験結果から、Sinkhornベースの手法は古典的およびマルチドメインクラスタリングベースラインを一貫して上回り、数十万のサンプルにスケールする場合、この利点は持続することが示された。

関連論文リスト

• Robust Categorical Data Clustering Guided by Multi-Granular Competitive Learning [47.32771052588132]
  ネストされた粒状クラスター効果は、カテゴリーデータの暗黙的な離散距離空間で顕著である。 本稿では,潜在的なクラスタが対話的に自分自身をチューニングできるマルチグラニュラ競合学習アルゴリズムを提案する。 提案手法は,マルチグラニュラクラスタのネスト分布の探索に有効であることを示す。
  論文  参考訳（メタデータ） (2026-01-23T06:33:08Z)
• Clustering Approaches for Mixed-Type Data: A Comparative Study [0.0]
  混在型データのクラスタリングは、このタスクに適合するアプローチがほとんどないため、課題である。 本研究は,これらの手法の現状を考察し,様々なシミュレーションモデルを用いて比較する。 KAMILA, LCM, k-prototypes は, 調整型ランドインデックス (ARI) に関して, 最高の性能を示した。
  論文  参考訳（メタデータ） (2025-11-24T22:18:23Z)
• Parameter-Free Clustering via Self-Supervised Consensus Maximization (Extended Version) [50.41628860536753]
  本稿では,SCMax と呼ばれる自己教師型コンセンサス最大化による,新しい完全パラメータフリークラスタリングフレームワークを提案する。 本フレームワークは,階層的なクラスタリングとクラスタ評価を単一の統合プロセスで行う。
  論文  参考訳（メタデータ） (2025-11-12T11:17:17Z)
• Unsupervised Multimodal Clustering for Semantics Discovery in Multimodal Utterances [24.142013877384603]
  本稿では,新しい教師なしマルチモーダルクラスタリング手法 (UMC) を提案する。 UMCは、マルチモーダルデータのための拡張ビューを構築するためのユニークなアプローチを導入し、事前トレーニングを実行するために使用される。 我々は、最先端の手法よりもクラスタリングメトリクスの2-6%のスコアが顕著に改善され、この領域で最初の成功例となった。
  論文  参考訳（メタデータ） (2024-05-21T13:24:07Z)
• Revisiting Silhouette Aggregation [2.56711111236449]
  シルエット係数(Silhouette coefficient)は、クラスタリングの割り当ての品質を評価し、データポイント当たりのスコアを生成する評価尺度である。 滅多に採用されない代替のパスは、まずクラスタレベルで平均し、次に(マクロ)クラスタ全体で平均することです。 典型的なマイクロアグレージング戦略はクラスタ不均衡に敏感であり,見過ごされたマクロアベリング戦略ははるかに堅牢であることを示す。
  論文  参考訳（メタデータ） (2024-01-11T10:57:29Z)
• 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)
• Domain-Generalizable Multiple-Domain Clustering [55.295300263404265]
  本研究は、教師なし領域一般化の問題を、ラベル付きサンプルが存在しない場合(完全に教師なし)に一般化する。 我々は複数のソースドメインからラベルのないサンプルを付与し、サンプルを意味的に関連するクラスタに割り当てる共有予測器を学習することを目指している。 評価は、これまで見つからなかったドメインのクラスタ割り当てを予測することで行われる。
  論文  参考訳（メタデータ） (2023-01-31T10:24:50Z)
• 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)
• LSD-C: Linearly Separable Deep Clusters [145.89790963544314]
  ラベルなしデータセットのクラスタを識別する新しい手法であるLSD-Cを提案する。 本手法は,最近の半教師付き学習の実践からインスピレーションを得て,クラスタリングアルゴリズムと自己教師付き事前学習と強力なデータ拡張を組み合わせることを提案する。 CIFAR 10/100, STL 10, MNIST, および文書分類データセットReuters 10Kなど, 一般的な公開画像ベンチマークにおいて, 当社のアプローチが競合より大幅に優れていたことを示す。
  論文  参考訳（メタデータ） (2020-06-17T17:58:10Z)

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。