Clustering methods based on variational analysis in the space of measures
基于测度空间变分分析的聚类方法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：摘要讨论测度空间优化和空间聚类，未直接研究经济网络、因子模型或其他所列细分方向。
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…
基于测度空间变分分析的聚类方法
- 研究问题
- 将聚类中心建模为未知强度的 Poisson 过程时，如何在测度空间中定义聚类目标，并求解渐近与有限强度下的最优配置？
- 方法与思路
- 作者推导可由强度函数计算的 Ward 型准则，研究强度增大时的最优形式，并利用凸性与网格化最速下降近似有限强度解。
- 材料陈述的贡献
- 摘要称最优强度渐近正比于观测密度的维度相关幂，有限强度目标具有凸性；另以模拟与红杉幼苗位置数据展示方法。
- 阅读关注点
- 应核对 Poisson 中心假设、总强度约束、渐近最优形式与凸性的条件，以及离散网格误差和与其他聚类方法的比较。
- 阅读边界
- 所据 OpenAlex 索引摘要未注明稿件版本；有限强度下未给显式解，应用比较未提供数值，不能据此宣称普遍优越。
原文摘要
We formulate clustering as a minimisation problem in the space of measures by modelling the cluster centres as a Poisson process with unknown intensity function. We derive a Ward‐type clustering criterion which, under the Poisson assumption, can easily be evaluated explicitly in terms of the intensity function. We show that asymptotically, i.e. for increasing total intensity, the optimal intensity function is proportional to a dimension‐dependent power of the density of the observations. For fixed finite total intensity, no explicit solution seems available. However, the Ward‐type criterion to be minimised is convex in the intensity function, so that the steepest descent method of Molchanov & Zuyev (2001) can be used to approximate the global minimum. It turns out that the gradient is similar in form to the functional to be optimised. If we discretise over a grid, the steepest descent algorithm at each iteration step increases the current intensity function at those points where the gradient is minimal at the expense of regions with a large gradient value. The algorithm is applied to a toy one‐dimensional example, a simulation from a popular spatial cluster model and a real‐life dataset from Strauss (1975) concerning the positions of redwood seedlings. Finally, we discuss the relative merits of our approach compared to classical hierarchical and partition clustering techniques as well as to modern model based clustering methods using Markov point processes and mixture distributions.