論文の概要: Round-Trip KNN Clustering: multiscale hierarchical cluster detection on directed nearest-neighbour graphs

• arxiv url: http://arxiv.org/abs/2610.06795v1
• Date: Mon, 05 Oct 2026 17:50:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 22:39:54.980428
• Title: Round-Trip KNN Clustering: multiscale hierarchical cluster detection on directed nearest-neighbour graphs
• Title（参考訳）: ラウンドトリップKNNクラスタリング:直近近傍グラフ上のマルチスケール階層クラスタ検出
• Abstract要約: ラウンドトリップKNNクラスタリング(英: Round-Trip KNN Clustering、RTKNNC)は、複数の近隣スケールでクラスタ構造を見つけるためのグラフベースの手法である。 既に形成された成分が2つか3つのガウス部分群によってよりよく説明されるかどうかを最初にテストする。 独立したCとPythonの実装は120の参照実行すべてで同一のパーティションを生成した。
• 参考スコア（独自算出の注目度）: 2.5743936970804167
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce Round-Trip KNN Clustering (RTKNNC), a graph-based method for finding cluster structure at several neighbourhood scales without requiring the number of clusters in advance. Unlike approaches that first make a $k$-nearest-neighbour (KNN) graph undirected, RTKNNC keeps both directions of the neighbour relation: which points a given point selects and which points select it. Incoming selections are treated as weighted votes that help decide which local connections remain visible during a recursive forward-and-reverse traversal. Repeating the procedure for increasing $K$ reveals how groups persist or merge as the neighbourhood scale grows; for the reference inverse-square model before structural refinement, clusters can merge but do not split. Because graph connectivity can occasionally join distinct groups through a sparse bridge or a small region of overlap, we add an optional label-free refinement. It first tests whether an already formed component is better described by two or three Gaussian subpopulations, and accepts a subdivision only when the proposed groups are large enough and consistent with the visible KNN graph. Across eight synthetic datasets and $K=2,\ldots,16$, independent C and Python implementations produced identical partitions in all 120 reference runs. Refinement increased adjusted Rand index from $0.7817$ to $0.9627$ on a variable-density benchmark and from $0.8083$ to $0.9853$ on a sparse-bridge benchmark. Comparisons with seven external clustering methods show competitive performance while preserving a label-free cluster-construction process.
• Abstract（参考訳）: 本稿では,複数の近隣スケールのクラスタ構造を事前にクラスタ数を必要とせず,グラフベースのクラスタ構造探索手法であるRound-Trip KNN Clustering(RTKNNC)を紹介する。 最初は$k$-nearest-neighbour (KNN)グラフを無向にするアプローチとは異なり、RTKNNCは隣り合う関係の両方向を保持する: 与えられた点が選択され、どの点が選択されるか。 入ってくる選択は、再帰的な前後の移動中にどのローカル接続が見えるかを決めるのに役立つ重み付けされた投票として扱われる。 K$を増大させる手順を繰り返すと、近傍のスケールが大きくなるにつれて、群がどのように持続するか、あるいはマージするかが明らかになる; 構造的洗練前の逆二乗モデルを参照すると、クラスタはマージできるが、分割しない。 グラフ接続は、時としてスパースブリッジや小さな重複領域を通じて異なるグループを結合できるため、オプションのラベルフリー改良を加える。 2つまたは3つのガウス部分群によって既に形成されている成分がより良く記述されているかどうかを最初に検証し、提案された群が十分に大きく、かつ可視なKNNグラフと整合している場合にのみ、部分分割を受け入れる。 8つの合成データセットと$K=2,\ldots,16$の独立したCとPython実装が120の参照実行すべてで同じパーティションを生成した。 調整されたRandインデックスは、変数密度ベンチマークでは0.7817$から0.9627$に、スパースブリッジベンチマークでは0.8083$から0.9853$に増加した。 7つの外部クラスタリング手法との比較は,ラベルのないクラスタ構築プロセスを維持しながら,競合性能を示す。

関連論文リスト

• Automatic depth-based local center clustering via $β$-integrated local depth and adaptive grouping [45.89788365134725]
  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。
  論文  参考訳（メタデータ） (2026-09-22T17:31:28Z)
• Radius-Guided Post-Clustering for Shape-Aware, Scalable Refinement of k-Means Results [1.9580473532948401]
  標準k平均の後、各クラスター中心は半径(割り当てられた点までの距離)が割り当てられ、半径が重なり合うクラスタがマージされる。 この後処理ステップは、k が k である限り、正確な k の要求を緩める。 この手法は意味のあるマージの上に非推定形状を再構成することができる。
  論文  参考訳（メタデータ） (2025-04-28T22:30:53Z)
• 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)
• 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) $の計算複雑性を維持しており、大規模問題に対してスケーラブルで実用的なものである。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)
• High-dimensional Clustering onto Hamiltonian Cycle [30.17605416237686]
  クラスタリングは、類似性に基づいてアンラベリングされたサンプルをグループ化することを目的としている。 本稿では,ハミルトンサイクル上での高次元クラスタリングという新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-27T20:59:45Z)
• Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
  我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。 SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。 OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
  論文  参考訳（メタデータ） (2021-10-15T03:25:28Z)
• Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
  本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。 我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
  論文  参考訳（メタデータ） (2021-07-03T01:28:42Z)
• K-expectiles clustering [0.0]
  本稿では,期待値に基づく分割クラスタリングアルゴリズムを提案する。 固定$tau$クラスタリングと適応$tau$クラスタリングの2つのスキームを提案します。
  論文  参考訳（メタデータ） (2021-03-16T21:14:56Z)
• 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。