Szczegóły publikacji

Opis bibliograficzny

Neighbor-rank densities for non-metric data / Marcin KURDZIEL, Krzysztof BORYCZKO // Pattern Recognition Letters ; ISSN 0167-8655. — 2019 — vol. 128, s. 306–310. — Bibliogr. s. 310, Abstr. — Publikacja dostępna online od: 2019-09-18


Autorzy (2)


Słowa kluczowe

density measuresnon metric datanearest neighbor ranks

Dane bibliometryczne

ID BaDAP125056
Data dodania do BaDAP2019-10-28
Tekst źródłowyURL
DOI10.1016/j.patrec.2019.09.013
Rok publikacji2019
Typ publikacjiartykuł w czasopiśmie
Otwarty dostęptak
Creative Commons
Czasopismo/seriaPattern Recognition Letters

Abstract

In this work we propose rank densities, a novel density measure for non-metric data. Unlike typical measures employed in density clustering algorithms, rank densities are defined via ranks of patterns in k-nearest neighbor lists. Therefore they depend on the structure of the k-nearest neighbor graph, rather than exact values of the similarity measure. This property makes them robust to noise and easier to use with complicated similarity measures. We propose a simple iterative algorithm to estimate rank densities and demonstrate that it converges to a solution that does not depend on the initial configuration or the optimization step. Finally, we demonstrate an example application of rank densities to a real-world non-metric dataset.

Publikacje, które mogą Cię zainteresować

artykuł
Potential anchoring for imbalanced data classification / Michał KOZIARSKI // Pattern Recognition ; ISSN 0031-3203. — 2021 — vol. 120 art. no. 108114, s. 1-13. — Bibliogr. s. 12-13, Abstr. — Publikacja dostępna online od: 2021-06-22
artykuł
Radial-Based Undersampling for imbalanced data classification / Michał KOZIARSKI // Pattern Recognition ; ISSN 0031-3203. — 2020 — vol. 102 art. no. 107262, s. 1–11. — Bibliogr. s. 10–11, Abstr. — Publikacja dostępna online od: 2020-02-05