Optimality of spectral clustering in the Gaussian mixture model
高斯混合模型中谱聚类的最优性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：摘要研究高斯混合模型的聚类理论，未明确涉及给定的计量领域细分。
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…
高斯混合模型中谱聚类的最优性
- 研究问题
- 在高维高斯混合模型中，谱聚类何时能达到极小极大最优，常见的谱间隙条件是否为这一结论所必需？
- 方法与思路
- 作者在各向同性协方差、聚类数固定且信噪比足够大的设定下分析谱聚类，并建立不依赖谱间隙条件的最优性结论。
- 材料陈述的贡献
- 摘要称，谱聚类在上述高斯混合模型设定下达到极小极大最优，且建立该结论无需文献中常用的谱间隙条件。
- 阅读关注点
- 阅读全文时应核对损失函数、极小极大比较范围、信噪比门槛，以及维度和样本量之间的条件与算法实现细节。
- 阅读边界
- 仅据所给 OpenAlex 索引摘要，稿件版本未注明；具体风险界与证明未提供，不能推广到一般协方差或聚类数增长的情形。
原文摘要
Spectral clustering is one of the most popular algorithms to group high- dimensional data. It is easy to implement and computationally efficient. Despite its popularity and successful applications, its theoretical properties have not been fully understood. In this paper, we show that spectral clustering is minimax optimal in the Gaussian mixture model with isotropic covariance matrix, when the number of clusters is fixed and the signal-to-noise ratio is large enough. Spectral gap conditions are widely assumed in the literature to analyze spectral clustering. On the contrary, these conditions are not needed to establish optimality of spectral clustering in this paper.