新聚类方法面向混合数据：基于预拓扑空间，已在期刊发表
一篇arXiv论文提出基于预拓扑空间的混合数据聚类方法，并与经典数值聚类算法及现有预拓扑方法进行基准对比。
一项发表在arXiv上的研究提出一种基于预拓扑空间的混合数据聚类方法，并声称已与经典数值聚类算法及现有预拓扑方法进行基准对比。论文作者为Maxence Choufa、Clement Cornet、Guillaume Guerard、Sonia Djebali和Loup-Noé Levy，依据论文摘要。
方法核心
论文在摘要中指出，大数据环境下数据量、速度和多样性大幅增加，混合数据聚类（同时包含数值型和类别型变量）成为关键挑战。传统聚类算法通常面向同质数据集设计，难以处理混合数据带来的额外复杂性。
- 该方法基于预拓扑空间（pretopological spaces）构建，而非传统数值聚类算法。
- 论文强调层次化（hierarchical）和可解释（explainable）算法的价值，认为其能提供结构化、可解释的聚类结果，支持决策。
基准对比
摘要称，该研究将所提方法与经典数值聚类算法及现有预拓扑方法进行了基准测试，以评估其在“大数据范式”下的性能与有效性。但摘要未给出具体实验数据、数据集或性能数字。
发表信息
该论文以arXiv:2512.03070 [cs.LG] 提交，并被《SN Computer Science》期刊接收，发表于 2025 年第 6 卷第 8 期，文章编号 939。论文首次提交于 2025 年 11 月 27 日，更新版本提交于 2026 年 9 月 3 日。依据来源信息。