Self-Adjusted Consensus Clustering with Agglomerate Algorithms

АБВ
АБВ
АБВ

Обычная версия сайта

Приоритетные направления

по году

Тематика

23 июля 2026 г.

РНФ поддержал 31 проект молодых ученых НИУ ВШЭ

Российский научный фонд подвел итоги трех конкурсов, направленных на поддержку молодых ученых. Победителями признаны более 850 проектов, в том числе 31 из Высшей школы экономики. На средства грантов будут проведены исследования, направленные на решение конкретных задач в рамках приоритетов научно-технологического развития, которые определены в Стратегии научно-технологического развития Российской Федерации.

22 июля 2026 г.

Тяга к сладкому оказалась важнее заботы о здоровье

Исследователи НИУ ВШЭ в Перми с помощью ЭЭГ изучили, как тяга к сладкому и интерес к здоровому питанию влияют на оценку газированных напитков со вкусом колы. В ходе дегустации участники оценивали вкус напитка и называли максимальную сумму, которую готовы за него заплатить. Оказалось, что чем выше интерес человека к здоровью, тем более сложным и когнитивно затратным для него является решение о готовности платить и тем меньше в итоге он будет готов заплатить за такой напиток. Исследование опубликовано в журнале British Food Journal.

21 июля 2026 г.

«Нам бы хотелось, чтоб наши корпуса использовались больше»

Созданные в Международной лаборатории языковой конвергенции и Школе лингвистики НИУ ВШЭ корпуса абхазо-адыгских языков, на которых говорят народы Западного Кавказа, позволяют изучить их особенности, показывают возможности современного использования. Создание корпусов стало возможным благодаря серии экспедиций ученых и студентов Вышки на Кавказ, современным методам лингвистической обработки и взаимодействию с коллегами из региональных университетов. О работе лингвистов новостной службе «Вышка.Главное» рассказал ведущий научный сотрудник Международной лаборатории языковой конвергенции, доцент Школы лингвистики Юрий Ландер.

Нашли опечатку?
Выделите её, нажмите Ctrl+Enter и отправьте нам уведомление. Спасибо за участие!

Публикации

?

Self-Adjusted Consensus Clustering with Agglomerate Algorithms

P. 262–273.

Миркин Б. Г., Паринов А. А.

Язык: английский

Полный текст

DOI

Текст на другом сайте

ПУБЛИКАЦИЯ ПОДГОТОВЛЕНА ПО РЕЗУЛЬТАТАМ ПРОЕКТА:

Построение систем знаний и анализ данных на основе текстовой информации (2024)

В книге

Automation and Remote Control

Vol. 85. Issue 3. , Pleiades Publishing, Ltd. (Плеадес Паблишинг, Лтд), 2024.

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.

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.

Individual approximate clusters: methods, properties, applications

Миркин Б. Г., , in: Rough Sets, Fuzzy Sets, Data Mining, and Granular ComputingIssue 8170: Lecture Notes in Artificial Intelligence.: Heidelberg: Springer, 2013. 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 ...

Добавлено: 29 октября 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.