Un método de agrupamiento que construye una matriz de similitud a partir de afinidades por pares, calcula un incrustado de baja dimensión a partir de los modos ortogonales de baja frecuencia de esa matriz y luego aplica un algoritmo de partición estándar en el espacio incrustado.

Principio

La información combinatoria global de agrupamiento se convierte en una geometría continua de baja dimensión mediante los modos suaves dominantes de un operador de similitud, haciendo que formas de clúster complejas sean separables linealmente en el incrustado.

Demostración

Construir una matriz de afinidad simétrica a partir de similitudes puntuales para el conjunto two-moons, extraer unos pocos modos de baja frecuencia de esa matriz, incrustar los puntos con esos modos y ejecutar k-means para recuperar los dos clústeres curvos.

Aplicación incorrecta

Usar una matriz de afinidad con escalado inapropiado o una selección de modos inconsistente de modo que el incrustado mezcle escala y ruido, o aplicar el método sin una medida de similitud significativa entre objetos.

Consecuencia

Puede recuperar clústeres no convexos o con forma de variedad con muchos menos errores que los métodos basados en distancia en el espacio original, a costa de construir y descomponer el operador de afinidad.

Inversión

Particionamiento directo en el espacio de características original usando criterios de distancia locales, que puede fallar en estructuras no linealmente separables.

Límite

Requiere una estructura de similitud por pares definida y un medio para calcular los modos de la matriz; excluye casos donde solo existen disimilitudes por pares sin incrustado o donde no puede formarse una afinidad significativa.

Tensión semántica

Agrupamiento basado en densidad frente a incrustado espectral: los métodos basados en densidad detectan clústeres por concentración local, mientras que el agrupamiento espectral usa modos suaves globales para exponer separaciones latentes.

Síntesis

El agrupamiento espectral convierte afinidades por pares en una geometría lineal de baja dimensión mediante los modos suaves de un operador de similitud y luego particiona esa geometría para revelar clústeres difíciles de separar en el espacio original.