A K th Nearest Neighbour Clustering Procedure
一种基于第 k 近邻的聚类程序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：摘要研究通用密度估计与聚类推断，未提供支持所列经济计量细分方向的直接证据。
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…
关注这篇论文的作者
一种基于第 k 近邻的聚类程序
- 研究问题
- 如何使聚类程序支持从随机样本推断总体结构，并为多维高密度簇的识别提供统计一致性保证？
- 方法与思路
- 作者基于一致收敛的第 k 近邻密度估计构造聚类程序，可处理个体与变量组成的数据矩阵及个体间相异度矩阵。
- 材料陈述的贡献
- 摘要称，该程序对多维高密度簇具有渐近一致性，并通过一个实证例子展示小样本表现，使聚类具有总体推断依据。
- 阅读关注点
- 应核对高密度簇的定义、近邻数的选择、一致性所需条件，以及相异度矩阵如何对应密度估计与总体结构。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断一致性条件、维数限制及小样本误差；单个实证例子不足以说明普遍表现。
原文摘要
Summary Due to the lack of development in the probabilistic and statistical aspects of clustering research, clustering procedures are often regarded as heuristics generating artificial clusters from a given set of sample data. In this paper, a clustering procedure that is useful for drawing statistical inference about the underlying population from a random sample is developed. It is based on the uniformly consistent kth nearest neighbour density estimate, and is applicable to both case-by-variable data matrices and case-by-case dissimilarity matrices. The proposed clustering procedure is shown to be asymptotically consistent for high-density clusters in several dimensions, and its small-sample behaviour is illustrated by an empirical example.