张量的粗粒化聚类分析及其在气候生物群系识别中的应用
机器学习
2020-05-26 v2 机器学习
摘要
张量提供了一种简洁的方式来编码复杂数据的相互依赖关系。将张量视为d维数组，每个条目记录了不同索引之间的相互作用。聚类提供了一种将数据的复杂性解析为更易理解信息的方法。聚类方法高度依赖于所选算法以及算法的超参数。然而，它们对数据尺度的敏感性在很大程度上是未知的。在这项工作中，我们应用离散小波变换来分析粗粒化对张量数据聚类的影响。我们特别感兴趣于理解尺度如何影响地球气候系统的聚类。离散小波变换允许跨多种时空尺度对地球气候进行分类。离散小波变换用于产生分类估计的集成，而非单一分类。信息论方法用于识别L15气候数据集中聚类的重要尺度长度。我们还发现了该集成的一个子集合，其涵盖了观察到的绝大部分方差，从而允许使用高效的共识聚类技术来识别气候生物群系。
引用
@article{arxiv.2001.07827,
title = {Coarse-Grain Cluster Analysis of Tensors with Application to Climate Biome Identification},
author = {Derek DeSantis and Phillip J. Wolfram and Katrina Bennett and Boian Alexandrov},
journal= {arXiv preprint arXiv:2001.07827},
year = {2020}
}