Local Cluster Cardinality Estimation for Adaptive Mean Shift
Di cosa parla
Il testo descrive un metodo di raggruppamento che, per ogni punto, osserva come sono distribuite le distanze dagli altri punti e cerca un calo locale in quella distribuzione per individuare il raggio del gruppo attorno al punto. Le statistiche dei punti dentro quel raggio determinano i parametri locali usati per spostare i punti verso i centri dei gruppi; il meccanismo non richiede di fissare la scala dei dati né il numero totale di gruppi.
Cosa permette di osservare
Questo permette di esplorare come si può decidere automaticamente la "dimensione" di un gruppo guardando solo l’intorno di ogni punto, e se strategie locali e insensibili alla scala offrono vantaggi rispetto a scelte globali di parametri per il clustering.
Dalla fonte
This article presents an adaptive mean shift algorithm in which every parameter used at a point is derived from that point's own distance distribution. The distance distribution from a point to all others is used to estimate the cardinality of the local cluster by identifying a local minimum in the density of that distribution; the statistics of the identified subset then set the bandwidth and the kernel radius threshold applied at that point. The estimator built this way is scale invariant, since the $\gamma$ function it rests on is unchanged when the data is multiplied by a positive constant, so no length constant has to be chosen for the scale of the data. It is also local: $\gamma$ evaluated at rank $k$ depends only on the $k$ nearest distances, and the mean shift kernel is truncated at the estimated cluster radius, so data lying beyond that radius neither enters the estimate of the…