論文の概要: A Latent Semiparametric Mixture Model for Robust Heterogeneity Learning in High Dimensions
- arxiv url: http://arxiv.org/abs/2611.15827v1
- Date: Wed, 11 Nov 2026 18:42:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.251456
- Title: A Latent Semiparametric Mixture Model for Robust Heterogeneity Learning in High Dimensions
- Title(参考訳): 高次元ロバスト不均質学習のための潜時半パラメトリック混合モデル
- Abstract要約: クラスタ分析は、高次元データから学習するための、広く使われている教師なしのツールである。
アルゴリズム的なアプローチとは対照的に、モデルベースのクラスタリングはクリーンな理論的保証と計算の単純さを提供する。
本稿では,クラスタリングのための新しい潜時半パラメトリック混合モデルを提案する。
我々は,高次元クラスタリングに適した新しい手法であるCESMEを開発した。
- 参考スコア(独自算出の注目度): 11.900685958458324
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Learning heterogeneity from high-dimensional data has become a fundamental task across many data-driven fields. Cluster analysis is a widely used unsupervised tool for this purpose, and many existing methods have been adapted to high-dimensional settings through sparsity constraints. In contrast to algorithmic approaches, model-based clustering offers clean theoretical guaranties and computational simplicity, but can be restrictive in practice due to its reliance on specific parametric distributions. We propose a novel latent semiparametric mixture model for clustering, in which the observed data follow a Gaussian mixture after latent coordinate-wise monotone transformations. Furthermore, assuming a sparse optimal clustering rule in the latent space, we develop a new method, CESME, tailored for high-dimensional clustering. By allowing unspecified transformations, our framework becomes substantially more flexible and robust than traditional model-based approaches. The clustering error of CESME is shown to approach the optimal clustering error at a rate matching that obtained when the true transformations are known. Extensive simulations and real data analysis confirm that CESME outperforms a broad range of existing high-dimensional clustering methods, including those designed for single-cell RNA sequencing data. The online supplementary file contains technical proofs, additional discussions, and more numerical results.
- Abstract(参考訳): 高次元データから不均一性を学ぶことは、多くのデータ駆動分野における基本的な課題となっている。
クラスタ分析はこの目的のために広く使われている教師なしのツールであり、多くの既存の手法はスパース性制約によって高次元の設定に適応している。
アルゴリズム的なアプローチとは対照的に、モデルベースのクラスタリングは、明確な理論的な保証と計算の単純さを提供するが、実際には特定のパラメトリック分布に依存しているため制限を受けることができる。
本稿では,クラスタリングのための新しい潜時半パラメトリック混合モデルを提案する。
さらに、潜在空間におけるスパース最適クラスタリング則を仮定し、高次元クラスタリングに適した新しい手法であるCESMEを開発する。
特定の変換を可能にすることで、私たちのフレームワークは従来のモデルベースのアプローチよりも柔軟で堅牢になります。
CESMEのクラスタリング誤差は、真の変換が分かっているときに得られたレートマッチングで最適なクラスタリング誤差にアプローチする。
大規模なシミュレーションと実データ分析により、CESMEはシングルセルRNAシークエンシングデータのために設計されたものを含む、幅広い高次元クラスタリング手法より優れていることが確認された。
オンライン補足ファイルには、技術的な証明、追加の議論、さらに数値的な結果が含まれている。
関連論文リスト
- A Hybrid Mixture of $t$-Factor Analyzers for Clustering High-dimensional Data [0.07673339435080444]
本稿では,$t$-factor Analysisr (MtFA) の混合モデルを推定するための新しいハイブリッド手法を開発する。
提案手法の有効性は,従来の手法と比較して計算効率が優れていることを示すシミュレーションによって実証される。
本手法はガンマ線バーストのクラスタリングに応用され,ガンマ線バーストが不均質なサブ集団を持つという文献のいくつかの主張を補強し,推定群の特徴を与える。
論文 参考訳(メタデータ) (2025-04-29T18:59:58Z) - Self-Supervised Graph Embedding Clustering [70.36328717683297]
K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。
本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
論文 参考訳(メタデータ) (2024-09-24T08:59:51Z) - A Deterministic Information Bottleneck Method for Clustering Mixed-Type Data [0.0]
混合型データ,すなわち連続変数と分類変数の両方からなるデータをクラスタリングするための情報理論手法を提案する。
提案手法は、一般化された製品カーネルを通して、インフォメーション・ボトルネックの原理を異種データに拡張する。
提案手法はDIBmixと呼ばれ,従来の4つの手法と比較して優れた性能を示す。
論文 参考訳(メタデータ) (2024-07-03T09:06:19Z) - Adaptive Fuzzy C-Means with Graph Embedding [84.47075244116782]
ファジィクラスタリングアルゴリズムは、大まかに2つの主要なグループに分類できる: ファジィC平均法(FCM)と混合モデルに基づく方法。
本稿では,FCMを用いたクラスタリングモデルを提案する。
論文 参考訳(メタデータ) (2024-05-22T08:15:50Z) - Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。
本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。
これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
論文 参考訳(メタデータ) (2024-02-03T19:00:19Z) - Clustering based on Mixtures of Sparse Gaussian Processes [6.939768185086753]
低次元の組込み空間を使ってデータをクラスタする方法は、マシンラーニングにおいて依然として難しい問題である。
本稿では,クラスタリングと次元還元の両立を目的とした共同定式化を提案する。
我々のアルゴリズムはスパースガウス過程の混合に基づいており、スパースガウス過程混合クラスタリング(SGP-MIC)と呼ばれる。
論文 参考訳(メタデータ) (2023-03-23T20:44:36Z) - Unified Multi-View Orthonormal Non-Negative Graph Based Clustering
Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。
また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文 参考訳(メタデータ) (2022-11-03T08:18:27Z) - Deep Conditional Gaussian Mixture Model for Constrained Clustering [7.070883800886882]
制約付きクラスタリングは、部分的にラベル付けされたデータの増加量に関する事前情報を利用することができる。
本稿では、直感的で解釈可能で、勾配変動推論の枠組みで効率的に訓練できる制約付きクラスタリングのための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) (2021-06-11T13:38:09Z) - Clustering Binary Data by Application of Combinatorial Optimization
Heuristics [52.77024349608834]
本稿では,2値データのクラスタリング手法について検討し,まず,クラスタのコンパクトさを計測するアグリゲーション基準を定義した。
近隣地域と人口動態最適化メタヒューリスティックスを用いた5つの新しいオリジナル手法が導入された。
準モンテカルロ実験によって生成された16のデータテーブルから、L1の相似性と階層的クラスタリング、k-means(メドイドやPAM)の1つのアグリゲーションの比較を行う。
論文 参考訳(メタデータ) (2020-01-06T23:33:31Z)
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。