論文の概要: NEST: Nested Embedding Representation for Multiscale Clustering
- arxiv url: http://arxiv.org/abs/2610.30520v1
- Date: Wed, 21 Oct 2026 22:58:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.173511
- Title: NEST: Nested Embedding Representation for Multiscale Clustering
- Title（参考訳）: NEST: マルチスケールクラスタリングのためのNested Embedding Representation
- Abstract要約: NESTは、単一の埋め込み内で粗大な構造をエンコードする、教師なしのフレームワークである。
合成階層上では、NESTはレベル毎のクラスタ数のみを考慮し、マルチスケール構造を復元する。
- 参考スコア（独自算出の注目度）: 9.21246966564845
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-world data often exhibits cluster structure at multiple resolutions, yet existing methods typically learn a single partition or construct an explicit hierarchy. Inspired by Matryoshka Representation Learning, we introduce NEST, an unsupervised framework that encodes coarse-to-fine structure within a single embedding. NEST jointly optimizes clustering and separation across nested prefix subspaces, enabling progressively finer distinctions as embedding dimensionality increases, with rank and within-cluster regularization that keep the embedding from collapsing. Empirically, distances in the learned embedding follow the hierarchy distance more closely than those of the input, although the hierarchy is never observed during training. On synthetic hierarchies, NEST recovers multiscale structure given only the number of clusters per level. Experiments on vision, text, and single-cell data further demonstrate multiscale organization across real-world representations. By making clustering granularity an intrinsic property of the representation, NEST provides a unified approach to multiscale structure discovery.
- Abstract（参考訳）: 実世界のデータは、複数の解像度でクラスタ構造を示すことが多いが、既存のメソッドは通常、1つのパーティションを学習するか、明示的な階層を構築する。
Matryoshka Representation LearningにインスパイアされたNESTは、単一の埋め込み内に粗い構造をエンコードする教師なしのフレームワークである。
NESTは、ネストしたプレフィックスサブスペース間のクラスタリングと分離を共同で最適化し、埋め込み次元が増加するにつれて、段階的に細分化を可能にします。
経験的に、学習された埋め込みにおける距離は、学習中に階層が観察されることはないが、入力よりも階層距離をはるかに追従する。
合成階層上では、NESTはレベル毎のクラスタ数のみを考慮し、マルチスケール構造を復元する。
視覚、テキスト、シングルセルデータに関する実験は、現実世界の表現をまたいだマルチスケールな組織をさらに実証する。
クラスタリングの粒度を表現の固有の特性にすることで、NESTはマルチスケール構造発見への統一的なアプローチを提供する。
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) - 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) - 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) - Efficient and Effective Deep Multi-view Subspace Clustering [9.6753782215283]
E$2$MVSC(Efficient and Effective Deep Multi-View Subspace Clustering)と呼ばれる新しいディープフレームワークを提案する。
パラメータ化されたFC層の代わりに、より計算効率のよいサンプル数からネットワークパラメータスケールを分離するRelation-Metric Netを設計する。
E$2$MVSCは既存のメソッドに匹敵する結果を出し、様々なタイプのマルチビューデータセットで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-10-15T03:08:25Z) - Anchor-based Multi-view Subspace Clustering with Hierarchical Feature Descent [46.86939432189035]
階層的特徴Descentを用いたアンカーベースマルチビューサブスペースクラスタリングを提案する。
提案手法は最先端技術より一貫して優れている。
論文 参考訳（メタデータ） (2023-10-11T03:29:13Z) - Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。
特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。
いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
論文 参考訳（メタデータ） (2022-08-25T05:47:39Z) - Contrastive Multi-view Hyperbolic Hierarchical Clustering [33.050054725595736]
対比多視点ハイパーボリック階層クラスタリング(CMHHC)を提案する。
マルチビューアライメント学習、アライメントされた特徴類似学習、連続的な双曲的階層的クラスタリングという3つのコンポーネントで構成されている。
5つの実世界のデータセットに対する実験結果から,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2022-05-05T12:56:55Z)
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。