[論文レビュー] Fast and explainable clustering in the Manhattan and Tanimoto distance

Stefan Güttel, Kaustubh Roy|arXiv (Cornell University)|Jan 13, 2026

Advanced Clustering Algorithms Research被引用数 0

ひとこと要約

CLASSIXクラスタリングフレームワークをマンハッタン距離とタンイモト距離へ拡張し、ノルムベースのソーティングと鋭い刈り込み規則を導入。化学指紋データに対してDBSCANおよびTaylor–Butinaより大幅な速度向上を達成しつつ、クラスタ品質を改善。

ABSTRACT

The CLASSIX algorithm is a fast and explainable approach to data clustering. In its original form, this algorithm exploits the sorting of the data points by their first principal component to truncate the search for nearby data points, with nearness being defined in terms of the Euclidean distance. Here we extend CLASSIX to other distance metrics, including the Manhattan distance and the Tanimoto distance. Instead of principal components, we use an appropriate norm of the data vectors as the sorting criterion, combined with the triangle inequality for search termination. In the case of Tanimoto distance, a provably sharper intersection inequality is used to further boost the performance of the new algorithm. On a real-world chemical fingerprint benchmark, CLASSIX Tanimoto is about 30 times faster than the Taylor--Butina algorithm, and about 80 times faster than DBSCAN, while computing higher-quality clusters in both cases.

研究の動機と目的

• CLASSIXを非ユークリッド距離計量（マンハッタンとタンイモト）へ拡張すること。
• 逆三角不等式を用いた効率的な早期終了を備えたノルムベースの集約を開発すること。
• タンイモト距離下でのバイナリ指紋の刈り込みをBaldi不等式に基づいて強化すること。
• 合成データと実データの化学データセットで理論的・経験的に効率を分析すること。
• ベースラインクラスタリング手法よりも顕著なスピードアップを示しつつ、クラスタ品質を維持または向上させること。

提案手法

• データ点をベクトルノルムでスコア付けし、集約前にこのスカラーでソートする。
• 逆三角不等式を用いて候補点を上界し、近傍探索の早期終了を可能にする。
• マンハッタンノルムでは、プリニングを改善し効率分析を提供するためにオーソントシフトを検討する。
• タンイモト距離について、Baldi型刈り込み境界をより鋭く導出し、行列ベクトル積を利用して高速な近傍フィルタリングを行う。
• 合成データと実データの化学指紋に対して、DBSCAN、OPTICS、Taylor–Butinaと性能・クラスタ品質を比較する。

Figure 2: Efficiency of the search termination criterion based on different flip probabilities and similarity thresholds for different values of $\alpha_{i}$ , as a result of direct computation of probabilities.

実験結果

リサーチクエスチョン

• RQ1 CLASSIXをマンハッタン距離とタンイモト距離へ効果的に拡張して、速く説明可能なクラスタリング手法を維持できるか。
• RQ2 ノルムベースのソーティングと切り捨て規則が、これらの距離下での探索効率にどう影響するか。
• RQ3 Baldi不等式ベースの刈り込みは、タンイモト距離を用いた binary 指紋クラスタリングの性能を改善するか。
• RQ4 拡張手法は実データセットの化学指紋データと標準ベースラインに対してどのように性能を示すか。

主な発見

• マンハッタン距離を用いたCLASSIXは、ノルムベースのソーティングと半径ベースの刈り込みによって効率性を向上させ、役立つ理論的指針を提供する。
• タンイモト距離を用いたバイナリ指紋の場合、Baldi不等式に基づくより鋭い刈り込み境界により高次元での高速な厳密近傍フィルタリングが可能になる。
• 実データの化学指紋データでは、CLASSIX_TはTaylor–ButinaおよびDBSCANよりも圧倒的に速く（それぞれ約61.83秒 vs 1856.28秒および5064.84秒）なる。
• 合成実験では、CLASSIX_Tはデータサイズと次元が大きくなるにつれてDBSCANと比較してスケールし、クラスタ品質（ARI）を維持したり競合的に高い水準を示す。
• マンハッタンノルムのオーソントシフティングは実務的には距離計算を減らせる場合があるが、データのシフトによって効果は異なる。

Figure 3: Efficiency of the search termination criterion based on different flip probabilities and similarity thresholds for different values of $\alpha_{i}$ , as a result of simulations on synthetic data.