เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| DBSCAN ที่เรียนรู้ด้วยตนเอง (Self-supervised DBSCAN)× | HDBSCAN (การจัดกลุ่มตามความหนาแน่นแบบลำดับชั้น)× | |
|---|---|---|
| สาขาวิชา | การเรียนรู้ของเครื่อง | การเรียนรู้ของเครื่อง |
| ตระกูล | Machine learning | Machine learning |
| ปีกำเนิด≠ | 2018–2021 | 2013 |
| ผู้ริเริ่ม≠ | Ester et al. (DBSCAN base); pipeline pattern established in multiple works c. 2018–2021 | Campello, R. J. G. B.; Moulavi, D.; Sander, J. |
| ประเภท≠ | Two-stage pipeline (self-supervised pre-training + density-based clustering) | Hierarchical density-based clustering |
| แหล่งต้นตำรับ≠ | Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. In Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining (KDD-96), pp. 226–231. AAAI Press. link ↗ | Campello, R. J. G. B., Moulavi, D., & Sander, J. (2013). Density-Based Clustering Based on Hierarchical Density Estimates. In J. Pei et al. (Eds.), Advances in Knowledge Discovery and Data Mining. PAKDD 2013. Lecture Notes in Computer Science, vol. 7819 (pp. 160–172). Springer, Berlin, Heidelberg. DOI ↗ |
| ชื่อเรียกอื่น | SSL-DBSCAN, self-supervised density clustering, contrastive DBSCAN, representation-based DBSCAN | HDBSCAN, Hierarchical DBSCAN, hierarchical density-based clustering, HDBSCAN* |
| ที่เกี่ยวข้อง≠ | 5 | 3 |
| สรุป≠ | Self-supervised DBSCAN is a two-stage unsupervised pipeline that first trains a neural encoder on a pretext task — such as contrastive learning or masked reconstruction — to produce compact, semantically meaningful embeddings from unlabeled data, and then applies DBSCAN in the resulting embedding space to discover arbitrarily shaped clusters without requiring any class labels. | HDBSCAN (Hierarchical Density-Based Spatial Clustering of Applications with Noise) is a density-based clustering algorithm introduced by Campello, Moulavi, and Sander in 2013. It extends DBSCAN by building a full hierarchy of density-based clusters across all density scales and then extracting a stable flat partition, making it robust to datasets where cluster densities vary substantially across regions. |
| ScholarGateชุดข้อมูล ↗ |
|
|