{rfName}
K-

Indexado en

Licencia y uso

Icono OpenAccess

Citaciones

103

Altmetrics

Investigadores/as Institucionales

Gonzalez Gomez, AntoniaAutor o Coautor

Compartir

9 de junio de 2019
Publicaciones
>
Artículo
Sí

K-means algorithms for functional data

Publicado en: NEUROCOMPUTING. 151 (P1): 231-245 - 2015-03-03 151(P1), DOI: 10.1016/j.neucom.2014.09.048

Autores:

García, MLL; García-Ródenas, R; Gómez, AG
[+]

Afiliaciones

Univ Castilla La Mancha, Escuela Super Informat, Dept Matemat - Autor o Coautor
Univ Politecn Madrid, ET Super Ingn Montes, Dept Matemat Aplicada Recursos Nat - Autor o Coautor

Resumen

Cluster analysis of functional data considers that the objects on which you want to perform a taxonomy are functions f : X subset of R-P bar right arrow R and the available information about each object is a sample in a finite set of points f (n) = {(xi,y,) is an element of X x R}(n)(i) (=1). The aim is to infer the meaningful groups by working explicitly with its infinite-dimensional nature. In this paper the use of K-means algorithms to solve this problem is analysed. A comparative study of three K-means algorithms has been conducted. The K-means algorithm for raw data, a kernel K-means algorithm for raw data and a K-means algorithm using two distances for functional data are tested. These distances, called dv(n) and d(phi), are based on projections onto Reproducing Kernel Hilbert Spaces (RKHS) and Tikhonov regularization theory. Although it is shown that both distances are equivalent, they lead to two different strategies to reduce the dimensionality of the data. In the case of dv distance the most suitable strategy is Johnson-Lindenstrauss random projections. The dimensionality reduction for d(phi) is based on spectral methods. A key aspect that has been analysed is the effect of the sampling {Xi}(n)(i=1) on the K-means algorithm performance. In the numerical study an ex professo example is given to show that if the sampling is not uniform in x, then a K-means algorithm that ignores the functional nature of the data can reduce its performance. It is numerically shown that the original K-means algorithm and that suggested here lead to similar performance in the examples when X is uniformly sampled, but the computational cost when working with the original set of observations is higher than the K-means algorithms based on d(phi) or dv(n) as they use strategies to reduce the dimensionality of the data. The numerical tests are completed with a case study to analyse what kind of problem the K-means algorithm for functional data must face. (C) 2014 Elsevier B.V. All rights reserved.
[+]

Palabras clave

Dimensionality reductionFunctional dataK-meansKernelReproducing kernel hilbert spaceSplinesStochastic-processesTikhonov regularization theory

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista NEUROCOMPUTING debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia WoS (JCR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2015, se encontraba en la posición 31/130, consiguiendo con ello situarse como revista Q1 (Primer Cuartil), en la categoría Computer Science, Artificial Intelligence.

Desde una perspectiva relativa, y atendiendo al indicador del impacto normalizado calculado a partir de las Citas Mundiales proporcionadas por WoS (ESI, Clarivate), arroja un valor para la normalización de citas relativas a la tasa de citación esperada de: 1.24. Esto indica que, de manera comparada con trabajos en la misma disciplina y en el mismo año de publicación, lo ubica como trabajo citado por encima de la media. (fuente consultada: ESI 13 Nov 2025)

Esta información viene reforzada por otros indicadores del mismo tipo, que aunque dinámicos en el tiempo y dependientes del conjunto de citaciones medias mundiales en el momento de su cálculo, coinciden en posicionar en algún momento al trabajo, entre el 50% más citados dentro de su temática:

  • Media Ponderada del Impacto Normalizado de la agencia Scopus: 1.5 (fuente consultada: FECYT Mar 2025)

De manera concreta y atendiendo a las diferentes agencias de indexación, el trabajo ha acumulado, hasta la fecha 2026-04-25, el siguiente número de citas:

  • WoS: 45
  • Scopus: 57
[+]

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2026-04-25:

  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 106 (PlumX).

Es fundamental presentar evidencias que respalden la plena alineación con los principios y directrices institucionales en torno a la Ciencia Abierta y la Conservación y Difusión del Patrimonio Intelectual. Un claro ejemplo de ello es:

  • El trabajo se ha enviado a una revista cuya política editorial permite la publicación en abierto Open Access.
  • Asignación de un Handle/URN como identificador dentro del Depósito en el Repositorio Institucional: https://oa.upm.es/44822/

Como resultado de la publicación del trabajo en el repositorio institucional, se han obtenido datos estadísticos de uso que reflejan su impacto. En términos de difusión, podemos afirmar que, hasta la fecha

  • Visualizaciones: 556
  • Descargas: 2,158
[+]

Análisis de liderazgo de los autores institucionales

Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Último Autor (GONZALEZ GOMEZ, ANTONIA).

[+]

Reconocimientos ligados al ítem

The authors wish to acknowledge financial support from Ministerio de Economia y Competitividad under Project TRA2011-27791-C03-03.
[+]