Skeleton Clustering: Dimension-Free Density-Aided Clustering
骨架聚类：维度无关的密度辅助聚类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：摘要研究通用高维聚类方法，没有明确的因果、经济网络、宏观或金融研究对象。
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
骨架聚类：维度无关的密度辅助聚类
- 研究问题
- 面对多变量乃至高维数据中的不规则形状簇，如何减少传统密度估计对维度的依赖，同时保持可解释的几何聚类结构？
- 方法与思路
- 作者提出具有几何解释、较少依赖维度的替代密度度量，先构造简洁的数据表示，再结合原型、密度及层次聚类思想。
- 材料陈述的贡献
- 摘要称，骨架聚类能够识别不规则形状的簇，理论分析和经验研究支持其在多变量及高维情形下获得可靠聚类。
- 阅读关注点
- 应核对替代密度度量的定义、骨架表示和层次合并规则，以及可靠性结论所需的簇分离、维度与样本量条件。
- 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；题名中的维度无关不能据此解释为任意高维分布下均有保证。
原文摘要
We introduce a density-aided clustering method called Skeleton Clustering that can detect clusters in multivariate and even high-dimensional data with irregular shapes. To bypass the curse of dimensionality, we propose surrogate density measures that are less dependent on the dimension but have intuitive geometric interpretations. The clustering framework constructs a concise representation of the given data as an intermediate step and can be thought of as a combination of prototype methods, density-based clustering, and hierarchical clustering. We show by theoretical analysis and empirical studies that the skeleton clustering leads to reliable clusters in multivariate and high-dimensional scenarios. Supplementary materials for this article are available online.