Automated Cluster Elimination Guided by High-Density Points
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Determining the optimal number of clusters in cluster analysis without prior knowledge remains a critical and challenging task. Existing methods often depend on calculating clustering validity indices (CVIs), which increases complexity and may reduce efficiency. Furthermore, different CVIs frequently suggest varying optimal cluster numbers, complicating the selection process. To address these challenges, we propose a novel clustering algorithm, self-regulating possibilistic C-means (PCM) with high-density points (SR-PCM-HDP), which simplifies cluster number determination while improving clustering efficiency. First, the density-based knowledge extraction (DBKE) method is introduced to estimate an appropriate initial cluster number and identify high-density points. DBKE enhances the density peak clustering (DPC) algorithm by removing the need for a predefined density radius. Second, SR-PCM-HDP refines the clustering process by incorporating a parameter to balance the interactions between high-density points and cluster centers, reducing sensitivity to initial configurations and accelerating convergence. Third, the parameter adjustment mechanism in classical PCM is redefined to enable adaptive updates during SR-PCM-HDP iterations. This mechanism facilitates the gradual elimination of obsolete clusters and iterative cluster formation. The theoretical foundations of the SR-PCM-HDP cluster elimination mechanism are rigorously established. Experimental results validate the accuracy and effectiveness of SR-PCM-HDP in determining cluster numbers and ensuring clustering validity, particularly for datasets with overlapping or imbalanced distributions. Comparisons are conducted against 13 state-of-the-art algorithms, including fuzzy clustering, possibilistic clustering, and CVI-based cluster determination methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle