초록
본 논문은 고차원 데이터 클러스터링을 위한 간단하면서도 효과적인 그래프 기반 집합 알고리즘을 제안합니다. 우리는 그래프 이론에서 두 가지 기본 개념인 인egree(인도)와 아웃degree(아웃도)가 클러스터링 맥락에서 수행하는 서로 다른 역할을 탐구합니다. 평균 인도는 샘플 근처의 밀도를 반영하고, 평균 아웃도는 샘플 주변의 국소 기하학적 특성을 나타냅니다. 이러한 통찰력을 바탕으로, 우리는 클러스터의 친화성 측정치를 평균 인도와 평균 아웃도의 곱을 통해 정의합니다. 곱셈 기반 친화성은 우리의 알고리즘이 노이즈에 대해 강건하게 작동하도록 만듭니다. 이 알고리즘은 세 가지 주요 장점을 가지고 있습니다: 우수한 성능, 쉬운 구현, 높은 계산 효율성입니다. 우리는 이 알고리즘을 두 가지 기본 컴퓨터 비전 문제, 즉 이미지 클러스터링과 객체 매칭에 적용하여 테스트하였습니다. 광범위한 실험 결과는 이 알고리즘이 두 응용 분야 모두에서 최신 연구 결과를 능가한다는 것을 입증하였습니다.