Статистические данные > Машинное обучение [представлено 23 октября 2026 года] Название: Kernelized Covariance mattics, сокращение размеров и несбалансированное спектральное кластерирование Вид PDF HTML (экспериментальный) Резюме: Gaussian Mixture Model (abbrv. GMM) — классическая регенеративная модель для кластерных данных, в рамках которой эффективным механизмом является спектральное группирование на основе сокращения размеров с помощью ПХА. В ходе этой работы мы изучаем ядромые матрицы коварианции в качестве альтернативного механизма сокращения размеров и спектрального кластерирования с уделением особого внимания ядрам, которые отбирают пары точек данных с подходящими ограничениями разделения. Структура этих матриц основывается на соображениях статистической механики систем отталкивающих частиц. Наш подход особенно актуален для установления несбалансированных кластеров, в которых размеры крупнейших и самых мелких групп имеют разный соотношение с масштабами проблемы, а существующие методы на основе ПХА оказываются ограниченными эффективностью. Мы демонстрируем эффективное сокращение масштабов и кластеризацию результатов этих модифицированных матриц ковариации, подкрепленные количественными рамками. В частности, они обеспечивают более высокие гарантии сокращения размеров по сравнению с ПХА в отношении широкого круга параметров режима несбалансированных кластеров. Что касается спектрального кластерного подхода, то наш подход свидетельствует об улучшении положения по сравнению…
Метаграммы ковариации ярнелов, уменьшение размеров и несбалансированное спектральное кластерирование
arXiv:2610.331777v1 Тип уведомления: новое резюме: Gaussian Mixture Model (abbrv. GMM) — классическая регенеративная модель для кластерных данных, в рамках которой эффективным механизмом является спектральное группирование на основе сокращения размеров с помощью ПХА. В ходе этой работы мы изучаем ядромые матрицы коварианции в качестве альтернативного механизма сокращения размеров и спектрального кластерирования с уделением особого внимания ядрам, которые отбирают пары точек данных с подходящими ограничениями разделения. Структура этих матриц основывается на соображениях статистической механики систем отталкивающих частиц. Наш подход особенно актуален для установления несбалансированных кластеров, в которых размеры крупнейших и самых мелких групп имеют разный соотношение с масштабами проблемы, а существующие методы на основе ПХА оказываются ограниченными эффективностью. Мы демонстрируем эффективное сокращение масштабов и кластеризацию результатов этих модифицированных матриц ковариации, подкрепленные количественными рамками. В p