論文の概要: CAESAR: Clustering via Autonomous Embedding-Space Agglomerative Reorganization

• arxiv url: http://arxiv.org/abs/2609.32570v1
• Date: Sat, 26 Sep 2026 12:44:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 06:16:43.025648
• Title: CAESAR: Clustering via Autonomous Embedding-Space Agglomerative Reorganization
• Title（参考訳）: CAESAR: 自律的な埋め込み空間集約的再構成によるクラスタリング
• Abstract要約: クラスタリングアルゴリズムは、与えられた埋め込み空間の品質に大きく依存する。 本稿では,事前学習した埋め込み空間を再編成するCAESARを提案する。 クラスタの数は、決して$K$を必要としません。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clustering algorithms that operate on nearest-neighbor graphs, such as FINCH (First Integer Neighbor Clustering Hierarchy), depend heavily on the quality of the embedding space they are given. However, pretrained vision and language model embeddings are not optimized for this purpose. We propose CAESAR, a method that reorganizes a pretrained embedding space: a reorganization network is trained to pull mutual nearest neighbors together and push non-neighbors apart, yielding a reorganized embedding space substantially better suited to clustering. CAESAR offers a second major advantage: it never requires the number of clusters $K$. This matters because in realistic unsupervised settings, $K$ is typically unknown and discovering it is often part of the problem, yet most strong clustering methods take it as an input. We therefore design the entire CAESAR pipeline to infer $K$ rather than assume it is known. Empirically, reorganizing the embeddings consistently improves clustering over the raw space on both text and image datasets. Since the few deep clustering methods that also infer $K$ do not release their code, we complement controlled comparisons with methods that infer $K$ on the same embedding space by comparisons with strong deep clustering methods that are given the true $K$, giving them a substantial oracle advantage. Even so, CAESAR outperforms all of them on text, achieves the best results on the most challenging image benchmark and remains competitive on the others. Reorganizing pretrained embeddings thus emerges as a simple and powerful route to clustering realistic data, where classes overlap and the number of clusters is unknown.
• Abstract（参考訳）: FINCH (First Integer Neighbor Clustering Hierarchy) のような最近傍グラフで動作するクラスタリングアルゴリズムは、与えられた埋め込み空間の品質に大きく依存する。 しかし、事前訓練された視覚と言語モデルの埋め込みはこの目的のために最適化されていない。 本研究では,事前学習した埋め込み空間を再編成する手法であるCAESARを提案する。 CAESARは2つ目の大きな利点を提供する。 これは、現実的な教師なしの設定では、通常$K$は未知であり、しばしば問題の一部であることを発見するためであるが、ほとんどの強力なクラスタリング手法はそれを入力として扱う。 そこで我々は、CAESARパイプライン全体を設計し、それを知っていると仮定するのではなく、$K$を推論する。 経験的に、埋め込みを再編成することで、テキストと画像の両方のデータセット上の生空間上のクラスタリングが一貫して改善される。 同様に$K$を推論する深層クラスタリング手法はコードを公開しないため、同じ埋め込み空間上で$K$を推論する手法と、真の$K$を与えられる強力な深層クラスタリング手法との比較により、制御された比較を補完する。 それでも、CAESARはテキスト上でそれらの全てを上回り、最も難しい画像ベンチマークで最高の結果を獲得し、他のベンチマークと競合し続けている。 事前訓練された埋め込みを再編成することは、クラスが重複しクラスタ数が不明な現実的なデータをクラスタ化するためのシンプルで強力なルートとして現れる。

関連論文リスト

• Bridged Clustering for Representation Learning: Semi-Supervised Sparse Bridging [7.631238459202664]
  我々はBridged Clusteringを紹介した。Bridged Clusteringは、未実装の入力$X$と出力$Y$データセットから予測子を学習する半教師付きフレームワークである。 我々のメソッドはまず最初に$X$と$Y$を独立にクラスタし、その後、わずかにペア化された例を使ってクラスタ間のスパースで解釈可能なブリッジを学習する。
  論文  参考訳（メタデータ） (2025-10-08T16:20:49Z)
• 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)
• Guaranteed Recovery of Unambiguous Clusters [7.011239860967789]
  クラスタリングは、しばしば難しい問題である。なぜなら、それは、"正しい"クラスタリングがどうあるべきかに固有の曖昧さのためである。 本稿は,クラスタ内の2つの高密度領域が,K$clusteringの2つの真に異なるクラスタよりも,2つの異なるクラスタのように見えるほど分離可能な状況について定式化する。
  論文  参考訳（メタデータ） (2025-01-22T18:51:25Z)
• 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)
• Hard Regularization to Prevent Deep Online Clustering Collapse without Data Augmentation [65.268245109828]
  オンラインディープクラスタリング(オンラインディープクラスタリング)とは、機能抽出ネットワークとクラスタリングモデルを組み合わせて、クラスタラベルを処理された各新しいデータポイントまたはバッチに割り当てることである。 オフラインメソッドよりも高速で汎用性が高いが、オンラインクラスタリングは、エンコーダがすべての入力を同じポイントにマッピングし、すべてを単一のクラスタに配置する、崩壊したソリューションに容易に到達することができる。 本稿では,データ拡張を必要としない手法を提案する。
  論文  参考訳（メタデータ） (2023-03-29T08:23:26Z)
• Git: Clustering Based on Graph of Intensity Topology [25.679620842010422]
  我々は、新しいクラスタリングアルゴリズムGIT(textbfIntensity textbfTopologyのtextbfGraphに基づくクラスタリング)を提案する。 高速な局所クラスタ検出、堅牢なトポグラフの構築、エッジカットにより、GITは魅力的なARISE性能を示す。
  論文  参考訳（メタデータ） (2021-10-04T09:29:43Z)
• Very Compact Clusters with Structural Regularization via Similarity and Connectivity [3.779514860341336]
  本稿では,汎用データセットのためのエンドツーエンドのディープクラスタリングアルゴリズムであるVery Compact Clusters (VCC)を提案する。 提案手法は,最先端のクラスタリング手法よりも優れたクラスタリング性能を実現する。
  論文  参考訳（メタデータ） (2021-06-09T23:22:03Z)
• Overcomplete Deep Subspace Clustering Networks [80.16644725886968]
  4つのベンチマークデータセットの実験結果から,クラスタリング誤差の観点から,DSCや他のクラスタリング手法に対する提案手法の有効性が示された。 また,本手法は,最高の性能を得るために事前学習を中止する点にDSCほど依存せず,騒音にも頑健である。
  論文  参考訳（メタデータ） (2020-11-16T22:07:18Z)

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。