A New Framework for Convex Clustering in Kernel Spaces: Finite Sample Bounds, Consistency and Performance Insights
Cet article propose un cadre de regroupement convexe noyau qui projette les données dans un Espace de Hilbert à Noyau Reproduisant pour traiter efficacement des structures non linéaires et non convexes, tout en fournissant des garanties théoriques sur la convergence et des bornes pour des échantillons finis, accompagnées de preuves empiriques d'une performance supérieure aux méthodes de l'état de l'art.