Turtle shell clustering: A mixture approach to discriminative clustering with applications to flow cytometry and other data
龟壳聚类：面向判别式聚类的混合方法及其在流式细胞术等数据中的应用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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要内容为无监督聚类与混合模型方法，属于统计学与机器学习方法研究，未涉及所给微观、宏观或金融计量领域细分，故不选择任何领域。
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…
龟壳聚类：面向判别式聚类的混合方法及其在流式细胞术等数据中的应用
- 研究问题
- 摘要称，研究如何融合生成式聚类（刻画簇的几何性质）与判别式聚类（刻画簇间边界）的优点，构造一种完全无监督、概率化且具判别性的聚类方法。
- 方法与思路
- 作者提出以正则化互信息为目标函数，用高斯分布与均匀分布的混合之混合来构建条件模型；通过引入正则项与簇合并步骤避免过拟合，思路类似贝叶斯聚类中的可逆跳马尔可夫链蒙特卡洛做法。
- 材料陈述的贡献
- 摘要称由此得到“龟壳法”：完全无监督，能估计非线性边界、自动选择成分数，并在噪声或不规则簇形状等数据异常下捕捉直观的簇；在模拟与真实数据、流式细胞术和图像分析数据上做了测试。
- 阅读关注点
- 应核对正则化互信息目标的具体形式与优化算法、混合之混合条件模型的识别与可解释性、簇合并与成分数选择的判定准则，以及模拟和流式细胞术、图像数据上的评价指标与对比基准。
- 阅读边界
- 仅凭摘要无法判断方法的理论保证、识别条件、超参数敏感性、计算成本与相对既有方法的实际优劣；摘要未说明具体数据规模、数值结果与实现细节。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
Generative approaches to clustering provide information on geometric properties of clusters, whereas discriminative approaches provide boundaries between clusters. Ideas from both approaches are incorporated to present a fully unsupervised, probabilistic, and discriminative clustering method via a regularized mutual information objective function, wherein a mixture of mixtures of Gaussian and uniform distributions is used for formulation of the conditional model. Overfitting is avoided by the introduction of a regularizing term and a cluster merge step, similar to those applied in reversible jump Markov chain Monte Carlo methods used in Bayesian clustering. Consequently, the turtle shell method -- a fully unsupervised clustering method capable of estimating non-linear boundary lines, automatically selecting the number of components, and capturing intuitive clusters in the presence of data abnormalities such as noise and/or irregular cluster shapes -- is introduced. We test this method on various simulated and real datasets commonly explored in clustering research, and extend the analysis to datasets arising from flow cytometry experiments and image analysis.