論文の概要: Automatic depth-based local center clustering via $β$-integrated local depth and adaptive grouping
- arxiv url: http://arxiv.org/abs/2609.26748v1
- Date: Tue, 22 Sep 2026 17:31:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-24 01:05:39.770574
- Title: Automatic depth-based local center clustering via $β$-integrated local depth and adaptive grouping
- Title（参考訳）: $β$積分局所深度と適応グルーピングによる自動深度に基づく局所中心クラスタリング
- Abstract要約: クラスタリングは、ラベルのないデータをグループに分割する教師なしの学習テクニックである。
既存のほとんどのメソッドでは、クラスタの数や近隣サイズなど、ユーザが指定したパラメータが必要です。
数値パラメータチューニングを不要とした完全データ駆動型手法であるA-DLCC(Automatic Deep-based Local Center Clustering)を提案する。
- 参考スコア（独自算出の注目度）: 45.89788365134725
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Clustering is an unsupervised learning technique that partitions unlabeled data into groups. Most existing methods require user-specified parameters, such as the number of clusters or neighborhood size. Conversely, we propose automatic depth-based local center clustering (A-DLCC), a fully data-driven method that eliminates numerical parameter tuning. A-DLCC uses the $β$-integrated local depth to identify stable exemplars, points consistently central across multiple locality levels, termed local centers, which are ranked by their representativeness. Each local center induces a group of similar points, with group-level similarity measured by a proposed nonparametric metric called group-level local similarity. To guide merging, we incorporate the bottleneck path idea from graph theory, which forms the basis of our adaptive merging criterion. Based on this criterion, we design a single agglomeration rule in which a group is either absorbed by a neighbor it reaches better than itself or bonded to a neighbor that both sides find more reachable than their own background, every merge being additionally required to be carried by a contact stronger than a configuration-model null expects. The rule automatically estimates the number of clusters and decides when to stop merging. Experiments on synthetic and real data show that A-DLCC produces interpretable clustering results without parameter tuning.
- Abstract（参考訳）: クラスタリングは、ラベルのないデータをグループに分割する教師なしの学習テクニックである。
既存のほとんどのメソッドでは、クラスタの数や近隣サイズなど、ユーザが指定したパラメータが必要です。
逆に,数値パラメータチューニングを不要とした完全データ駆動方式であるA-DLCC(Automatic Deep-based Local Center Clustering)を提案する。
A-DLCCは、$β$積分局所深度を用いて、安定な外見、複数の局所性レベルに一貫して集中する点を識別し、その代表性によってランク付けされる局所中心と呼ばれる。
各局所中心は類似点の群を誘導し、グループレベルの類似度は、グループレベルの類似性と呼ばれる提案された非パラメトリック計量によって測定される。
マージの指針として,適応的なマージ基準の基礎となるグラフ理論からボトルネックパスの考え方を取り入れた。
この基準に基づいて、1つの群が隣人に吸収され、それ自身よりも良く到達するか、あるいは隣人に結合された1つの集合則を設計し、それぞれのマージは、構成モデルヌル期待よりも強い接触によって運ばれることが要求される。
このルールは自動的にクラスタ数を推定し、マージを止めるタイミングを決定する。
合成および実データを用いた実験により、A-DLCCはパラメータチューニングなしで解釈可能なクラスタリング結果を生成することが示された。
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) - DPMM-CFL: Clustered Federated Learning via Dirichlet Process Mixture Model Nonparametric Clustering [8.645893961456801]
クラスタ化されたフェデレートラーニングは、非IIDクライアントの不均一性の下でのパフォーマンスを改善する。
ほとんどのCFL法は、プリオリを固定するためにクラスターKの数を必要とする。
本稿では,クラスタパラメータの分布に先立ってディリクレプロセス(DP)を配置するCFLアルゴリズムDPMM-CFLを提案する。
論文 参考訳（メタデータ） (2025-10-08T15:27:08Z) - Scalable Context-Preserving Model-Aware Deep Clustering for Hyperspectral Images [51.95768218975529]
ハイパースペクトル画像(HSI)の教師なし解析にサブスペースクラスタリングが広く採用されている。
近年のモデル対応深層空間クラスタリング手法では、O(n2)の複雑性を持つ自己表現行列の計算とスペクトルクラスタリングを含む2段階のフレームワークを用いることが多い。
本稿では,HSIクラスタリングを効率的に行うために,局所構造と非局所構造を協調的にキャプチャする,ベース表現に基づく拡張性のあるコンテキスト保存深層クラスタリング手法を提案する。
論文 参考訳（メタデータ） (2025-06-12T16:43:09Z) - Depth-Based Local Center Clustering: A Framework for Handling Different Clustering Scenarios [46.164361878412656]
クラスター分析は多くの科学・工学分野において重要な役割を担っている。
過去数十年にわたって提案されてきたクラスタリングメソッドにもかかわらず、それぞれのメソッドは通常、特定のシナリオのために設計されている。
本稿では,深度に基づくクラスタリング(DLCC)を提案する。
DLCCはデータのサブセットに基づくデータ深度のローカルバージョンを利用する
論文 参考訳（メタデータ） (2025-05-14T16:08:11Z) - How to optimize K-means? [8.206124331448931]
センターベースのクラスタリングアルゴリズム(例えばK平均)はクラスタリングタスクに人気があるが、通常は複雑なデータセットで高い精度を達成するのに苦労する。
主な理由は、従来のセンターベースのクラスタリングアルゴリズムが、クラスタ内のクラスタリングセンターを1つだけ特定しているからです。
そこで本研究では,ECACと呼ばれる汎用最適化手法を提案し,異なる中心型クラスタリングアルゴリズムを最適化する。
論文 参考訳（メタデータ） (2025-03-25T03:37:52Z) - TANGO: Clustering with Typicality-Aware Nonlocal Mode-Seeking and Graph-Cut Optimization [2.4783546111391215]
密度に基づくモード探索法は,低密度点から高密度近傍への遠心依存性を生成する。
両言語の観点から, 局所的に定義された依存関係を探索することにより, 固有性という新しい概念を導入する。
我々は,グローバルビューの典型性を利用して,モードを効果的かつ効率的に識別するアルゴリズムを考案する。
論文 参考訳（メタデータ） (2024-08-19T15:26:25Z) - A Unified Framework for Center-based Clustering of Distributed Data [46.86543102499174]
我々は、ユーザのネットワーク上で動作する分散センターベースのクラスタリングアルゴリズムのファミリーを開発する。
私たちのフレームワークは、$K$-meansやHuber Losといった一般的なクラスタリング損失を含む、スムーズな凸損失関数の幅広いクラスを可能にします。
ブレグマン損失の特別の場合、固定点がロイド点の集合に収束することを示す。
論文 参考訳（メタデータ） (2024-02-02T10:44:42Z) - UniForCE: The Unimodality Forest Method for Clustering and Estimation of
the Number of Clusters [2.4953699842881605]
我々は,一様性の概念に着目し,局所的一様性クラスタと呼ばれる柔軟なクラスタ定義を提案する。
局所的ユニモーダルクラスタは、データのサブクラスタのペア間で一様性が局所的に保存される限り、拡張される。
局所的な単調クラスタリングのためのUniForCE法を提案する。
論文 参考訳（メタデータ） (2023-12-18T16:19:02Z) - 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。