本研究では、視覚的クラスター複雑性を定量化する新しい指標ClustMLを提案している。ClustMLは、人間の判断データに基づいて学習されたモデルを用いて、ガウシアンミクスチャーモデル(GMM)のコンポーネントの統合判断を行う。
まず、先行研究のClustMeと同様の3段階のGMM基盤のパイプラインを採用している。ただし、ClustMeでは発見的ヒューリスティックを用いていたコンポーネントの統合判断を、ClustMLでは人間の判断データに基づいて学習したクラシファイアを用いる点が大きな違いである。
人間の判断データ(S1)を用いて、コンポーネントの統合判断を行うクラシファイアを学習した結果、人間の判断との一致率が96%以上と非常に高くなった。さらに、別の人間の判断データ(S2)を用いた評価実験では、ClustMLがClustMeよりも優れた性能を示した。
また、ゲノム関連解析のデータを用いた事例研究では、ClustMLがサブスペースに隠れたクラスター構造を検出できることを示した。
全体として、ClustMLは人間の知覚に基づいて設計された新しい視覚的クラスター複雑性指標であり、既存手法よりも優れた性能を発揮することが示された。
Para outro idioma
do conteúdo fonte
arxiv.org
Principais Insights Extraídos De
by Most... às arxiv.org 05-01-2024
https://arxiv.org/pdf/2106.00599.pdfPerguntas Mais Profundas