A New Framework for Convex Clustering in Kernel Spaces: Finite Sample Bounds, Consistency and Performance Insights
Dieser Artikel schlägt einen gekernelten konvexen Clustering-Rahmen vor, der Daten in einen reproduzierenden Kernel-Hilbert-Raum projiziert, um nichtlineare und nichtkonvexe Strukturen effektiv zu handhaben, und dabei theoretische Garantien für die Konvergenz und endliche Stichproben-Schranken sowie empirische Belege für eine überlegene Leistung im Vergleich zu den aktuell besten Methoden liefert.