ترجمه فارسی مقاله TANGO: خوشه‌بندی با بهینه‌سازی حالت غیرمحلی و برش نموداری با آگاهی از نوع‌شناسی

چکیده

Density-based clustering methods by mode-seeking usually achieve clustering by using local density estimation to mine structural information, such as local dependencies from lower density points to higher neighbors. However, they often rely too heavily on \emph{local} structures and neglect \emph{global} characteristics, which can lead to significant errors in peak selection and dependency establishment. Although introducing more hyperparameters that revise dependencies can help mitigate this issue, tuning them is challenging and even impossible on real-world datasets. In this paper, we propose a new algorithm (TANGO) to establish local dependencies by exploiting a global-view \emph{typicality} of points, which is obtained by mining further the density distributions and initial dependencies. TANGO then obtains sub-clusters with the help of the adjusted dependencies, and characterizes the similarity between sub-clusters by incorporating path-based connectivity. It achieves final clustering by employing graph-cut on sub-clusters, thus avoiding the challenging selection of cluster centers. Moreover, this paper provides theoretical analysis and an efficient method for the calculation of typicality. Experimental results on several synthetic and $16$ real-world datasets demonstrate the effectiveness and superiority of TANGO.

چکیده به فارسی (ترجمه ماشینی)

روشهای خوشه بندی مبتنی بر چگالی با استفاده از حالت ، معمولاً با استفاده از برآورد چگالی محلی به اطلاعات ساختاری مین ، مانند وابستگی های محلی از نقاط چگالی پایین به همسایگان بالاتر ، به خوشه بندی می رسند.با این حال ، آنها غالباً بیش از حد به ساختارهای محلی {محلی متکی هستند و از ویژگی های جهانی غفلت می کنند ، که می تواند منجر به خطاهای قابل توجهی در انتخاب اوج و استقرار وابستگی شود.اگرچه معرفی هایپرپارامترهای بیشتری که وابستگی ها را تجدید نظر می کنند می توانند به کاهش این مسئله کمک کنند ، تنظیم آنها در مجموعه داده های دنیای واقعی چالش برانگیز و حتی غیرممکن است.در این مقاله ، ما یک الگوریتم جدید (TANGO) را برای ایجاد وابستگی های محلی با بهره برداری از یک نمای جهانی \ itm {معمولی} از نقاط پیشنهاد می کنیم ، که با استخراج بیشتر توزیع چگالی و وابستگی های اولیه بدست می آید.سپس تانگو با کمک وابستگی های تنظیم شده ، کلاسترهای زیر را بدست می آورد و با ترکیب اتصال مبتنی بر مسیر ، شباهت بین زیر اتمام را مشخص می کند.با استفاده از برش نمودار بر روی کلادهای زیر ، به خوشه بندی نهایی می رسد ، بنابراین از انتخاب چالش برانگیز مراکز خوشه ای جلوگیری می کند.علاوه بر این ، این مقاله تجزیه و تحلیل نظری و یک روش کارآمد برای محاسبه معمولی را ارائه می دهد.نتایج تجربی در چندین مجموعه داده مصنوعی و 16 دلار واقعی در دنیای واقعی ، اثربخشی و برتری تانگو را نشان می دهد.