List of Figures1.1 Our proposed phy

List of Figures
1.1 Our proposed physics-based unsupervised data modeling framework
and the derived techniques. . . . . . . . . . . . . . . . . . . . 6
2.1 The sensitivity example of NJW [109], one of the traditional spectral
clustering algorithms, with respect to different Gaussian scaling
parameter σ and noise appearance. The two output clusters are colored
with red or blue. A small variation to σ or data points (noise)
leads to radically-different results. Such an instability becomes an
issue to traditional spectral clustering algorithms. . . . . . . . . . . 14
2.2 Clustering results of different algorithms on a synthetic dataset with
heterogeneous density distributions. Figure 2.2(a) shows the original
dataset, where the green and blue clusters with Gaussian distributions
have higher density than the red cluster with a uniform
distribution. The clustering results of NJW (Figure 2.2(b)), RWC
(Figure 2.2(c)) and NN (Figure 2.2(d)) are shown respectively,
which are not capable of capturing the density variation. For the
localized method, ST (Figure 2.2(e)) has better result since it has
a locally adaptive scaling parameter (in Equation 2.9), while SCDA
(Figure 2.2(f)) reveals a similar density-awareness as NJW. In
short, none of the above methods provides a desirable separation
that is aware of both density change and manifold structures across
clusters. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

ผลลัพธ์ (ไทย) 1:

รายการของตัวเลข1.1 เสนอฟิสิกส์ขั่วข้อมูลกรอบการสร้างโมเดลและเทคนิคได้รับมา................... 62.1 ตัวอย่างไว NJW [109], หนึ่งความสเปกตรัมคลัสเตอร์อัลกอริทึม เกี่ยวกับมาตราส่วนนที่แตกต่างกันลักษณะσและเสียงพารามิเตอร์ กลุ่มสองออกเป็นสีมีสีแดงหรือสีน้ำเงิน รูปแบบขนาดเล็กσหรือข้อมูลจุด (เสียง)นำไปสู่ผลลัพธ์ที่แตกต่างอย่างสิ้นเชิง จะไม่มีเสถียรภาพมีการปัญหาอัลกอริทึมแบบระบบคลัสเตอร์สเปกตรัม.......... 142.2 Clustering ผลอัลกอริทึมต่าง ๆ บนชุดข้อมูลที่สังเคราะห์มีการกระจายความหนาแน่นแตกต่างกัน 2.2(a) รูปแสดงต้นฉบับชุดข้อมูล ที่กลุ่มสีเขียว และสีน้ำเงินพร้อมการกระจายนที่มีความหนาแน่นสูงกว่าคลัสเตอร์กับเครื่องแบบสีแดงการกระจายงาน ผลระบบคลัสเตอร์ของ NJW (รูป 2.2(b)), RWC(รูป 2.2(c)) และ NN (รูป 2.2(d)) จะแสดงตามลำดับที่ไม่สามารถจับการเปลี่ยนแปลงความหนาแน่น สำหรับการวิธีการแปล ST (2.2(e)) ได้ดีขึ้นส่งผลให้ได้รูปพารามิเตอร์ปรับปรับภายใน (ในสมการ 2.9), ในขณะที่ SCDA(ภาพประกอบ 2.2(f)) เผยความรู้คล้ายเป็น NJW ในสั้น ไม่มีวิธีการดังกล่าวข้างต้นให้แยกชที่ได้ตระหนักถึงการเปลี่ยนแปลงความหนาแน่นและโครงสร้างมากมายทั่วclusters. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

ผลลัพธ์ (ไทย) 2:

รายการของตัวเลข
1.1 กรอบข้อมูลใกล้ชิดการสร้างแบบจำลองของเราเสนอฟิสิกส์พื้นฐาน
และเทคนิคที่ได้รับ . . . . . . . . . . . . . . . . . . . 6
2.1 ตัวอย่างความไวของ NJW [109] ซึ่งเป็นหนึ่งในสเปกตรัมแบบดั้งเดิม
ขั้นตอนวิธีการจัดกลุ่มที่เกี่ยวกับการที่แตกต่างกันการปรับ Gaussian
σพารามิเตอร์และลักษณะเสียง ทั้งสองกลุ่มส่งออกจะเป็นสี
แดงหรือสีฟ้า มีการเปลี่ยนแปลงขนาดเล็กเพื่อσหรือข้อมูลคะแนน (เสียง)
นำไปสู่ผลลัพธ์ที่แตกต่างกันอย่างสิ้นเชิง- ความไม่แน่นอนดังกล่าวจะกลายเป็น
ปัญหาขั้นตอนวิธีการจัดกลุ่มสเปกตรัมแบบดั้งเดิม . . . . . . . . . . 14
2.2 ผลการจัดกลุ่มของขั้นตอนวิธีการที่แตกต่างกันในชุดข้อมูลที่สังเคราะห์ที่มี
การกระจายความหนาแน่นที่แตกต่างกัน รูปที่ 2.2 (ก) แสดงให้เห็นว่าเดิม
ชุดข้อมูลที่กลุ่มสีเขียวและสีฟ้าที่มีการกระจายเสียน
มีความหนาแน่นสูงกว่ากลุ่มสีแดงที่มีเครื่องแบบ
กระจาย ผลการจัดกลุ่มของ NJW (รูปที่ 2.2 (ข)) RWC
(รูปที่ 2.2 (ค)) และ NN (รูปที่ 2.2 (ง)) จะแสดงตามลำดับ
ที่ไม่สามารถจับการเปลี่ยนแปลงความหนาแน่น สำหรับ
วิธีการหน่วง ST (รูปที่ 2.2 (E)) มีผลดีกว่าเพราะมันมี
พารามิเตอร์การปรับขนาดการปรับตัวในประเทศ (ในสมการ 2.9) ในขณะที่ SCDA
(รูปที่ 2.2 (ฉ)) เผยให้เห็นคล้ายกันหนาแน่นตระหนักเป็น NJW ใน
ระยะสั้นไม่มีวิธีการดังกล่าวข้างต้นยังมีการแยกเป็นที่น่าพอใจ
ที่ตระหนักถึงการเปลี่ยนแปลงทั้งความหนาแน่นและโครงสร้างต่าง ๆ นานาข้าม
กลุ่ม . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15