A Framework for Feature Selection in Clustering
聚类中的特征选择框架AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论一般无监督特征选择及基因组聚类，未涉及所列经济计量细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
聚类中的特征选择框架
- 研究问题
- 当真实簇只在少数特征上存在差异时，如何避免大量无关特征掩盖聚类结构，并同时选择用于聚类的特征子集？
- 方法与思路
- 作者提出以 lasso 型惩罚自适应选择特征的稀疏聚类框架，构造稀疏 K 均值和层次聚类，以同一准则决定特征与簇。
- 材料陈述的贡献
- 摘要称，框架提供两类简单稀疏聚类方法，将特征选择和聚类结果纳入统一准则，并在模拟及基因组数据中展示应用。
- 阅读关注点
- 应核对目标函数、惩罚与调参方式、特征权重和算法步骤，以及模拟与基因组案例中聚类结果的评价和稳定性。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；未报告恢复保证或数值比较，不能认定稀疏方法总能发现真实簇或优于完整特征。
原文摘要
We consider the problem of clustering observations using a potentially large set of features. One might expect that the true underlying clusters present in the data differ only with respect to a small fraction of the features, and will be missed if one clusters the observations using the full set of features. We propose a novel framework for sparse clustering, in which one clusters the observations using an adaptively chosen subset of the features. The method uses a lasso-type penalty to select the features. We use this framework to develop simple methods for sparse K-means and sparse hierarchical clustering. A single criterion governs both the selection of the features and the resulting clusters. These approaches are demonstrated on simulated data and on genomic data sets.