Self-Adjusted Consensus Clustering with Agglomerate Algorithms

АБВ
АБВ
АБВ

Обычная версия сайта

Приоритетные направления

по году

Тематика

20 мая 2026 г.

«Еж» против «родственника»: ученые измерили, как мозг реагирует на неожиданные слова в живой речи

Российские нейрофизиологи с участием исследователей из НИУ ВШЭ показали, что изучать восприятие живой речи можно с помощью вызванных потенциалов. Они доказали, что метод применим не только к отдельным словам, но и к непрерывной речи. Оказалось, что слова, сильно отличающиеся по смыслу от предыдущего контекста, мозг обрабатывает дольше, а служебные слова анализирует в два этапа: сначала определяет их грамматическую роль, а затем на этой основе предсказывает следующее слово. Исследование опубликовано в журнале Frontiers in Human Neuroscience.

20 мая 2026 г.

Творческая работа как лекарство от выгорания

Творческая и доброжелательная атмосфера, новые методы в Международной лаборатории (впоследствии центре) социокультурных исследований привлекают молодых исследователей. За годы работы в Вышке они становятся учеными и преподавателями, известными в России и за рубежом. О своем пути в центре и в Вышке, исследованиях и роли наставников в научных успехах рассказали главный научный сотрудник ЦСКИ Зарина Лепшокова и ведущий научный сотрудник Екатерина Бушина.

19 мая 2026 г.

Физики НИУ ВШЭ выяснили, что происходит внутри устойчивого вихря

В атмосфере и в океане часто наблюдаются крупные вихри с характерными спиральными рукавами. Физики из НИУ ВШЭ объяснили, как они формируются и почему сохраняют свою структуру. Оказалось, что скорости в точках, расположенных вдоль одной дуги вихря, остаются связанными даже на больших расстояниях. При этом в направлении от центра вихря эта связь быстро ослабевает. Такие различия помогают объяснить образование рукавов и могут улучшить модели атмосферных и океанических течений. Результаты опубликованы в Physical Review Fluids.

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.