Robustness Properties of k Means and Trimmed k Means
k 均值与修剪 k 均值的稳健性性质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：摘要讨论通用稳健聚类理论，没有直接对应所列计量细分领域的证据。
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…
k 均值与修剪 k 均值的稳健性性质
- 研究问题
- 广义 k 均值是否继承相应 M 估计量的稳健性？通过修剪样本，能否改善聚类方法对异常值和污染的敏感程度？
- 方法与思路
- 作者结合广义 k 均值与无偏向修剪程序，从影响函数、崩溃点和定性稳健性三个标准分析，并用两组真实数据说明。
- 材料陈述的贡献
- 摘要称，即使惩罚函数导数有界，广义 k 均值仍可能缺乏稳健性；修剪方法在所研究的稳健性标准下有所改善。
- 阅读关注点
- 应核对惩罚函数及修剪比例的条件、各类稳健性结论的适用范围，以及真实数据中聚类结果对修剪选择的敏感性。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未给出具体定理条件，不能认定修剪方法全面优于其他聚类方法。
原文摘要
The generalized k means method is based on the minimization of the discrepancy between a random variable (or a sample of this random variable) and a set with k points measured through a penalty function Φ. As in the M estimators setting (k = 1), a penalty function, Φ, with unbounded derivative, Ψ, naturally leads to nonrobust generalized k means. However, surprisingly the lack of robustness extends also to the case of bounded Ψ; that is, generalized k means do not inherit the robustness properties of the M estimator from which they came. Attempting to robustify the generalized k means method, the generalized trimmed k means method arises from combining k means idea with a so-called impartial trimming procedure. In this article study generalized k means and generalized trimmed k means performance from the viewpoint of Hampel's robustness criteria; that is, we investigate the influence function, breakdown point, and qualitative robustness, confirming the superiority provided by the trimming. We include the study of two real datasets to make clear the robustness of generalized trimmed k means.