Regularized Sparse Optimal Discriminant Clustering
正则化稀疏最优判别聚类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。
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：摘要讨论的是聚类与判别分析的统计计算方法，未涉及所提供领域细分中的因果推断、面板、时间序列、金融计量等方向，故不选择任何细分领域。
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…
正则化稀疏最优判别聚类
- 研究问题
- 摘要称，如何在稀疏最优判别聚类（SODC）框架下引入基于凸聚类的惩罚项，以提升聚类识别的准确性并更清晰地刻画聚类结构。
- 方法与思路
- 作者提出在评分矩阵中加入基于凸聚类的惩罚项，使同簇点更近、异簇点更远；利用优超函数推导评分矩阵的更新公式，并用交替方向乘子法（ADMM）更新，同时处理正交约束与聚类结构的兼顾问题。
- 材料陈述的贡献
- 摘要称提出了一种新的正则化稀疏最优判别聚类方法，并给出了在正交约束下更新评分矩阵的新算法；通过数值模拟和一组真实数据应用评估所提方法的表现。
- 阅读关注点
- 应核对惩罚项的具体形式与调参方式、优超函数与 ADMM 更新的推导细节、正交约束如何与聚类结构同时满足，以及模拟设定和真实数据来源是否支持摘要中的性能表述。
- 阅读边界
- 仅凭摘要无法判断识别假设、理论性质、模拟与实证的具体结果及相对优势；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
We propose a new method based on sparse optimal discriminant clustering (SODC), incorporating a penalty term into the scoring matrix based on convex clustering. With the addition of this penalty term, it is expected to improve the accuracy of cluster identification by pulling points within the same cluster closer together and points from different clusters further apart. When the estimation results are visualized, the clustering structure can be depicted more clearly. Moreover, we develop a novel algorithm to derive the updated formula of this scoring matrix using a majorizing function. The scoring matrix is updated using the alternating direction method of multipliers (ADMM), which is often employed to calculate the parameters of the objective function in the convex clustering. In the proposed method, as in the conventional SODC, the scoring matrix is subject to an orthogonal constraint. Therefore, it is necessary to satisfy the orthogonal constraint on the scoring matrix while maintaining the clustering structure. Using a majorizing function, we adress the challenge of enforcing both orthogonal constraint and the clustering structure within the scoring matrix. We demonstrate numerical simulations and an application to real data to assess the performance of the proposed method.