{rfName}
Re

Indexado en

Licencia y uso

Citaciones

9

Altmetrics

Grant support

This work was supported in part by the funding for the ByoPiC Project from the European Research Council (ERC) under the European Union's Horizon 2020 research and innovation program under Grant ERC-2015-AdG 695561. The work of A.Decelle was supported by the Comunidad de Madrid and the Complutense University of Madrid (Spain) through the Atraccion de Talento Program under Grant 2019-T1/TIC-13298.

Análisis de autorías institucional

Decelle, AurelienAutor o Coautor
Compartir
Publicaciones
>
Artículo

Regularization of Mixture Models for Robust Principal Graph Learning

Publicado en:Ieee Transactions On Pattern Analysis And Machine Intelligence. 44 (12): 9119-9130 - 2022-12-01 44(12), DOI: 10.1109/TPAMI.2021.3124973

Autores: Bonnaire, Tony; Decelle, Aurelien; Aghanim, Nabila

Afiliaciones

CNRS, Inst Astrophys Spatiale, F-91405 Bures Sur Yvette, France - Autor o Coautor
CNRS, Lab Rech Informat, F-91190 Gif Sur Yvette, France - Autor o Coautor
Univ Complutense, Dept Fis Teor 1, Madrid 28040, Spain - Autor o Coautor
Univ Paris Saclay, F-91190 Gif Sur Yvette, France - Autor o Coautor

Resumen

A regularized version of Mixture Models is proposed to learn a principal graph from a distribution of D-dimensional datapoints. In the particular case of manifold learning for ridge detection, we assume that the underlying structure can be modeled as a graph acting like a topological prior for the Gaussian clusters turning the problem into a maximum a posteriori estimation. Parameters of the model are iteratively estimated through an Expectation-Maximization procedure making the learning of the structure computationally efficient with guaranteed convergence for any graph prior in a polynomial time. We also embed in the formalism a natural way to make the algorithm robust to outliers of the pattern and heteroscedasticity of the manifold sampling coherently with the graph structure. The method uses a graph prior given by the minimum spanning tree that we extend using random sub-samplings of the dataset to take into account cycles that can be observed in the spatial distribution.

Palabras clave
Dimensionality reductionExpectation-maximizationGaussian mixture modelsGraph regularizationLaplacian eigenmapManifold learninPrincipal graph

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista Ieee Transactions On Pattern Analysis And Machine Intelligence 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, 2022, se encontraba en la posición 2/145, consiguiendo con ello situarse como revista Q1 (Primer Cuartil), en la categoría Computer Science, Artificial Intelligence. Destacable, igualmente, el hecho de que la Revista está posicionada por encima del Percentil 90.

Desde una perspectiva relativa, y atendiendo al indicador del impacto normalizado calculado a partir del Field Citation Ratio (FCR) de la fuente Dimensions, arroja un valor de: 2.88, lo que 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: Dimensions May 2025)

De manera concreta y atendiendo a las diferentes agencias de indexación, el trabajo ha acumulado, hasta la fecha 2025-05-25, el siguiente número de citas:

  • WoS: 3
  • Scopus: 6
  • OpenCitations: 4
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 2025-05-25:

  • El uso, desde el ámbito académico evidenciado por el indicador de la agencia Altmetric referido como agregaciones realizadas por el gestor bibliográfico personal Mendeley, nos da un total de: 9.
  • 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: 6 (PlumX).

Con una intencionalidad más de divulgación y orientada a audiencias más generales podemos observar otras puntuaciones más globales como:

  • El Score total de Altmetric: 4.75.
  • El número de menciones en la red social X (antes Twitter): 9 (Altmetric).
Análisis de liderazgo de los autores institucionales

Este trabajo se ha realizado con colaboración internacional, concretamente con investigadores de: France.