A New Framework for Convex Clustering in Kernel Spaces: Finite Sample Bounds, Consistency and Performance Insights
Dit artikel stelt een gekerneliseerd convex clusteraarframework voor dat data projecteert op een Reproducing Kernel Hilbert Space om effectief niet-lineaire en niet-convexe structuren te hanteren, terwijl het theoretische garanties biedt op convergentie en grenzen voor eindige steekproeven, aangevuld met empirisch bewijs van superieure prestaties ten opzichte van state-of-the-art methoden.