Individual approximate clusters: methods, properties, applications

B. Mirkin

?

Individual approximate clusters: methods, properties, applications

P. 26–37.

A least-squares data approximation approach to finding individual clusters is advocated. A simple local optimization algorithm leads to suboptimal clusters satisfying some natural tightness criteria. Three versions of an iterative extraction approach are considered, leading to a portrayal of the cluster structure of the data. Of these, probably most promising is what is referred to as the incjunctive clustering approach. Applications are considered to the analysis of semantics, to integrating different knowledge aspects and consensus clustering.

Язык: английский

Полный текст

Ключевые слова: consensus clustering data recovery approach single cluster kernel cluster

ПУБЛИКАЦИЯ ПОДГОТОВЛЕНА ПО РЕЗУЛЬТАТАМ ПРОЕКТА:

Методы визуализации текстовой информации с помощью построения суффиксных деревьев, мультифасетных классификаций и иерархических онтологий: алгоритмическое и программное обеспечение (2013)

В книге

Rough Sets, Fuzzy Sets, Data Mining, and Granular Computing

Issue 8170: Lecture Notes in Artificial Intelligence. , Heidelberg: Springer, 2013.

Агломеративный консенсусный кластер-анализ с автоматическим выбором числа кластеров

Миркин Б. Г., Паринов А. А., Автоматика и телемеханика 2024 № 3 С. 6–22

Представлены теоретические и вычислительные результаты, связанные с оригинальной моделью консенсусного кластерного анализа, основанной на так называемом проективном расстоянии между разбиениями. Это расстояние определяется как сумма квадратов элементов разности бинарной матрицы инциденций одного разбиения и ее ортогональной проекции на подпространство, порождаемое столбцами матрицы инциденций другого разбиения. Оказывается, при достаточном количестве разбиений предлагаемый метод агломеративного кластеринга правильно ...

Добавлено: 24 февраля 2025 г.

Piece‐wise constant cluster modelling of dynamics of upwelling patterns

Nascimento S., Martins A., Relvas P. и др., Expert Systems: The Journal of Knowledge Engineering 2023 P. 1–16

Добавлено: 16 октября 2023 г.

Community Detection in Feature-Rich Networks Using Data Recovery Approach

Миркин Б. Г., Шалилех С., Journal of Classification 2022 Vol. 39 P. 432–462

Добавлено: 1 августа 2022 г.

A One-by-One Method for Community Detection in Attributed Networks

Шалилех С., Миркин Б. Г., , in: Intelligent Data Engineering and Automated Learning – IDEAL 2020/ 21st International Conference, Guimaraes, Portugal, November 4–6, 2020, Proceedings, Part IIVol. 12490: Lecture Notes in Computer Science.: Cham: Springer, 2020. P. 413–422.

Добавлено: 14 ноября 2020 г.

A Lattice-based Consensus Clustering Algorithm

Бочаров А. А., Гнатышак Д. В., Игнатов Д. И. и др., , in: CLA 2016: Proceedings of the Thirteenth International Conference on Concept Lattices and Their Applications. CEUR Workshop ProceedingsVol. 1624.: M.: Higher School of Economics, National Research University, 2016. P. 45–56.

Добавлено: 24 октября 2016 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.

Summary and semi-average similarity criteria for individual clusters

Миркин Б. Г., , in: Models, Algorithms, and Technologies for Network AnalysisVol. 59.: NY: Springer, 2013. P. 101–126.

Добавлено: 22 ноября 2013 г.

Least squares consensus clustering: criteria, methods, experiments

Миркин Б. Г., Шестаков А. В., , in: Advances in Information Retrieval.: L.: Springer, 2013. P. 764–768.

Произведена эксперементальная демонстранция превосходства алгоритмов консенсусной кластеризации, основанных на методе наименьших квадратов, по сравнению с недавними алгоритмами этой же области. ...

Добавлено: 15 апреля 2013 г.