面向高维数据集的ToMATo：一种高效稳健的聚类算法及其在尖峰排序中的应用
广义相对论与量子宇宙学
2025-09-23 v1
摘要
在过去二十五年中，聚类算法成为神经生理学数据分析工具箱中至关重要的组成部分。从基于形态学、分子和生理数据的细胞类型/组的定义，到 fMRI 数据中次网络的识别，这类问题现在常规地采用聚类分析。由于所应用的数据集倾向于定义在更大的维度空间中，对高维环境下高效且稳健的聚类方法需求日益增长。也有必要采用尽可能少关于簇的形状和大小假设的方法。我们在此报告使用ToMATo（Topological Mode Analysis Tool）算法的经验。该算法基于深厚的数学理论（代数拓扑学），但其基于Python的开源实现对实践者而言易于访问。我们将ToMATo应用于我们熟悉的尖峰排序问题。其在数据"原生"空间中工作（无需降维）的能力令人惊叹，以及对异常值（叠加尖峰）的鲁棒性也同样突出。
引用
@article{arxiv.2509.17497,
title = {Exploring Wormhole Structures within the Framework of $f(R,L_{m})$ Gravity},
author = {A. S. Agrawal and Baljeet Kaur Lotte and Reshma Kapse and B. Mishra},
journal= {arXiv preprint arXiv:2509.17497},
year = {2025}
}
备注
9 pages, 5 figures