Hierarchical Clustering With Prototypes via Minimax Linkage
通过极小极大连接实现带原型的层次聚类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：摘要研究通用层次聚类、原型与可视化，未提供对应所列计量细分领域的直接依据。
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
通过极小极大连接实现带原型的层次聚类
- 研究问题
- 凝聚型层次聚类如何为树状图中的每个内部节点提供来自原数据的代表性原型，同时保持可解释性和稳定的聚类结构？
- 方法与思路
- 作者研究极小极大连接准则，将簇间距离的构造与数据内原型联系起来，分析树状图性质，并提供高效实现及可视化应用。
- 材料陈述的贡献
- 摘要称该方法自然赋予内部节点原型，树状图不会出现倒置，并对某些数据扰动稳健；词语和人脸图像实例展示其分析用途。
- 阅读关注点
- 应核对连接距离和原型选择的具体定义、无倒置性质的证明，以及扰动稳健性的范围和高效实现的计算复杂度。
- 阅读边界
- 仅据所给 OpenAlex 索引摘要，稿件版本未注明；稳健性只针对某些扰动，具体条件未说明，不能推断对所有数据的聚类优势。
原文摘要
Agglomerative hierarchical clustering is a popular class of methods for understanding the structure of a dataset. The nature of the clustering depends on the choice of linkage—that is, on how one measures the distance between clusters. In this article we investigate minimax linkage, a recently introduced but little-studied linkage. Minimax linkage is unique in naturally associating a prototype chosen from the original dataset with every interior node of the dendrogram. These prototypes can be used to greatly enhance the interpretability of a hierarchical clustering. Furthermore, we prove that minimax linkage has a number of desirable theoretical properties; for example, minimax-linkage dendrograms cannot have inversions (unlike centroid linkage) and is robust against certain perturbations of a dataset. We provide an efficient implementation and illustrate minimax linkage’s strengths as a data analysis and visualization tool on a study of words from encyclopedia articles and on a dataset of images of human faces.