Additive spectral method for fuzzy cluster analysis of similarity data including community structure and affinity matrices

B. Mirkin; S. Nascimento

doi:10.1016/j.ins.2011.09.009

Публикации

?

Additive spectral method for fuzzy cluster analysis of similarity data including community structure and affinity matrices

Information Sciences. 2012. No. 183. P. 16–34.

Миркин Б. Г., Nascimento S.

An additive spectral method for fuzzy clustering is proposed. The method operates on a clustering model which is an extension of the spectral decomposition of a square matrix. The computation proceeds by extracting clusters one by one, which makes the spectral approach quite natural. The iterative extraction of clusters, also, allows us to draw several stopping rules to the procedure. This applies to several relational data types differently normalized: network structure data (the first eigenvector subtracted), affinity between multidimensional vectors (the pseudo-inverse Laplacian transformation), and conventional relational data including in-house data of similarity between research topics according to working of a research center. The method is experimentally compared with several classic and recent techniques and shown to be competitive.

Приоритетные направления: компьютерно-математическое бизнес-информатика

Язык: английский

Полный текст

DOI

Ключевые слова: spectral fuzzy clustering additive fuzzy clustering one-by-one clustering Lapin transformation community structure research activity structure

Growth in noncommutative algebras and entropy in derived categories

Пионтковский Д. И., / Series arXiv "math". 2026.

Добавлено: 23 июня 2026 г.

Multilinear nilalgebras and the Jacobian theorem

Пионтковский Д. И., / Series arXiv "math". 2025.

Добавлено: 23 июня 2026 г.

ML-based Fast Simulation of FARICH Responses

Шипилов Ф. А., Barnyakov A., Ivanov A. и др., / Series Physics "arxiv.org". 2026.

Добавлено: 19 мая 2026 г.

Natural hazard database from Internet publications: text mining with a large language model

Деркачева А. А., Сакиркина М. А., Краев Г. Н. и др., /. 2026.

Добавлено: 28 апреля 2026 г.

Algorithmic overlaps as thermodynamic variables: from local to cluster Monte Carlo dynamics in critical phenomena

Пиле Я. Э., Deng Y., Щур Л. Н., / Series arXiv "math". 2026. No. 2604.10254.

Добавлено: 20 апреля 2026 г.

Using predefined vector systems to speed up neural network multimillion class classification

Gabdullin N., Андросов И. А., / Series Computer Science "arxiv.org". 2026.

Добавлено: 2 апреля 2026 г.

Iterative Ricci-Foster Curvature Flow with GMM-Based Edge Pruning: A Novel Approach to Community Detection

Сорокин К. С., Бекетов М. Е., Онучин А. и др., / arxiv.org. Серия cs.SI "Social and Information Networks ". 2025.

Обнаружение сообществ в сложных сетях — фундаментальная проблема, открытая для новых подходов в различных научных областях. Мы представляем новый метод обнаружения сообществ, основанный на потоке Риччи на графах. Наша техника итеративно обновляет веса ребер (их метрические длины) в соответствии с их (комбинаторной) версией кривизны Риччи Фостера, вычисленной на основе эффективного расстояния сопротивления между узлами. Известно, ...

Добавлено: 15 января 2026 г.

Implementing Transport Coding in OMNeT++ for Message Delay Reduction

Петрованов И. С., Сергеев А. В., / Series Computer Science "arxiv.org". 2025. No. 2512.18332.

Добавлено: 24 декабря 2025 г.

Hessian-based lightweight neural network for brain vessel segmentation on a minimal training dataset

Меньшиков И. А., Бернадотт А. К., Елфимов Н. С., / Series arXie "Statistical mechanics". 2025.

Добавлено: 1 декабря 2025 г.

Эффективный алгоритм торговли на фондовом рынке: ретроспективный анализ, основанный на данных по S&P-500.

Рубчинский А. А., Чубарова Д. А., / Series WP7 "Математические методы анализа решений в экономике, бизнесе и политике". 2025. No. WP7/2025/01.

Добавлено: 9 ноября 2025 г.

Dynamic Analysis of the Global Financial Network

Швыдун С. В., , in: 2020 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM).: IEEE, 2020. P. 374–378.

Добавлено: 31 марта 2021 г.

Preferential placement for community structure formation

Dorodnykh A., Ostroumova Prokhorenkova Liudmila, Samosvat E., Internet Mathematics 2018 P. 1–25

Добавлено: 7 мая 2020 г.

Globally Optimal Parsimoniously Lifting a Fuzzy Query Set Over a Taxonomy Tree

Фролов Д. С., Миркин Б. Г., Nascimento S. и др., , in: Optimization of Complex Systems: Theory, Models, Algorithms and Applications.: Switzerland: Springer Publishing Company, 2020. P. 779–789.

Добавлено: 25 июня 2019 г.

Применение математических методов для повышения эффективности управления инвестиционным портфелем

Назарова В. В., Левичев И. П., HSE Economic Journal 2017 Vol. 21 No. 3 P. 451–481

В последнее время роль фондовых рынков в качестве источника капитала для финансирования заметно возросла. Использование инвестиционного портфеля позволяет компаниям достичь максимальной эффективности на фондовом рынке, тем самым, уменьшить риск финансовых операций, а также повысить их рентабельность и прибыльность. Статья посвящена проблеме эффективного управления инвестиционным портфелем, состоящего из различных типов активов. Посредством применения комплексного подхода, сочетающего отбор ...

Добавлено: 29 декабря 2017 г.

Topological modules of human brain networks are anatomically embedded: evidence from modularity analysis at multiple scales

Курмуков А. И., Додонова Ю. А., Бурова М. Б. и др., , in: Computational Aspects and Applications in Large-Scale Networks. Springer Proceedings in Mathematics & StatisticsVol. 247.: Springer, 2018. P. 299–308.

Human brain networks show modular organization: cortical regions tend to form densely connected modules with only weak inter-modular connections. However, little is known on whether modular structure of brain networks is reliable in terms of test-retest reproducibility and, most importantly, to what extent these topological modules are anatomically embedded. To address these questions, we use ...

Добавлено: 15 декабря 2017 г.

2017 IEEE International Conference Fuzzy Systems (FUZZ-IEEE)

IEEE, 2017.

Добавлено: 14 октября 2017 г.

A Note on the Effectiveness of the Least Squares Consensus Clustering

Миркин Б. Г., Шестаков А. В., , in: Clusters, orders, trees: methods and applications. In Honor of Boris Mirkin's 70th BirthdayVol. 92.: Berlin: Springer, 2014.

Добавлено: 23 января 2015 г.

Method for Intelligent Representation of Research Activities of an Organization over a Taxonomy of Its Field

Миркин Б. Г., Nascimento S., Pereira L. M., , in: Advances in Reasoning-Based Image Processing Intelligent Systems: Conventional and Intelligent Paradigms, Series on Intelligent Systems Reference LibraryVol. 29: Series on Intelligent Systems Reference Library.: Heidelberg: Springer, 2012. P. 423–454.

We describe a novel method for the analysis of research activities of an organization by mapping that to a taxonomy tree of the field. The method constructs fuzzy membership profiles of the organizationmembers or teams in terms of the taxonomy’s leaves (research topics), and then it generalizes them in two steps. These steps are: (i) ...

Добавлено: 29 октября 2013 г.

Laplacian normalization for deriving thematic fuzzy clusters with an additive spectral approach

Миркин Б. Г., Nascimento S., Felizardo R., Expert Systems: The Journal of Knowledge Engineering 2013 Vol. 30 No. 4 P. 294–305

This paper presents a further investigation into computational properties of a novel fuzzy additive spectral clustering method, Fuzzy Additive Spectral clustering (FADDIS), recently introduced by authors. Specifically, we extend our analysis to ‘difficult’ data structures from the recent literature and develop two synthetic data generators simulating affinity data of Gaussian clusters and genuine additive similarity ...

Добавлено: 29 октября 2013 г.