DelTriC: Neue Clustering‑Methode mit präziser Ausreißererkennung

Die neu veröffentlichte Arbeit stellt DelTriC (Delaunay Triangulation Clustering) vor – einen innovativen Algorithmus, der Clustering und Ausreißererkennung in hochdimensionalen Datensätzen neu definiert. Durch die Kombination von dimensionaler Reduktion, Delaunay‑Triangulation und einem cleveren Rückprojektionstool schafft DelTriC robuste Cluster, die gleichzeitig die Grenzen von klassischen Verfahren wie k‑Means, DBSCAN und HDBSCAN übertreffen.

DelTriC arbeitet zunächst mit einer PCA/UMAP‑basierten Projektion, um die Daten in einen niedrigdimensionalen Proxyraum zu überführen. Dort wird die Delaunay‑Triangulation erzeugt, die lokale Nachbarschaftsstruktur effizient abbildet. Anschließend wird die Struktur zurück in den ursprünglichen, hochdimensionalen Raum projiziert, wo gezielte Kantenschneidungen, Cluster‑Fusionen und Anomalie‑Erkennung stattfinden. Dieser Ansatz trennt die Nachbarschaftsbildung von der Entscheidungsfindung und sorgt für eine robuste Handhabung von Rauschen und Ausreißern.

In einer Vielzahl von Tests hat DelTriC gezeigt, dass es nicht nur skalierbarer ist, sondern auch eine höhere Genauigkeit bei der Clusterbildung liefert. Besonders hervorzuheben ist die signifikante Verbesserung der Ausreißererkennung, die in vielen Anwendungsfällen entscheidend ist. DelTriC bietet damit eine leistungsstarke Alternative zu etablierten Clustering‑Methoden und eröffnet neue Möglichkeiten für die Analyse komplexer Datensätze.