Generalized density clustering
广义密度聚类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：摘要讨论通用密度聚类与流形结构，未提供归入所列计量领域细分的直接依据。
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
广义密度聚类
- 研究问题
- 当簇可以集中在低维流形等边界清晰的结构上时，如何定义和恢复密度簇，并评估高维环境中的聚类准确性与稳定性？
- 方法与思路
- 作者研究允许低维流形簇的广义密度聚类，提出两种数据驱动的带宽选择方法，并用简单的图算法近似高密度簇。
- 材料陈述的贡献
- 摘要称，高维环境中仍可实现准确聚类；文章同时研究密度簇的稳定性，并说明所提出图算法能够成功近似高密度簇。
- 阅读关注点
- 应核对广义密度簇的定义、高维准确性的适用条件、两种带宽选择规则，以及稳定性指标和图算法近似误差的界定。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明维度、样本量与误差的具体关系，不能判断高维保证的适用范围。
原文摘要
We study generalized density-based clustering in which sharply defined clusters such as clusters on lower-dimensional manifolds are allowed. We show that accurate clustering is possible even in high dimensions. We propose two data-based methods for choosing the bandwidth and we study the stability properties of density clusters. We show that a simple graph-based algorithm successfully approximates the high density clusters.