A New Framework for Convex Clustering in Kernel Spaces: Finite Sample Bounds, Consistency and Performance Insights
Este artigo propõe uma estrutura de agrupamento convexo kernelizada que projeta dados em um Espaço de Hilbert de Kernel Reprodutor para lidar efetivamente com estruturas não lineares e não convexas, ao mesmo tempo em que fornece garantias teóricas sobre convergência e limites de amostra finita, juntamente com evidências empíricas de desempenho superior em relação aos métodos mais avançados.