标题： 灵活、增量、可扩展、基于密度的分层聚类算法：适用于任意数据和距离 显示英文标题

标题： FISHDBC: Flexible, Incremental, Scalable, Hierarchical Density-Based Clustering for Arbitrary Data and Distance

摘要： FISHDBC 是一种灵活的、增量的、可扩展的、分层的基于密度的聚类算法。 它具有灵活性，因为用户可以在任意数据上操作，跳过通常将原始数据转换为数值数组的特征提取步骤，而是让用户定义任意距离函数。 它是增量和可扩展的：它避免了非度量空间中其他方法的$\mathcal O(n^2)$性能问题，并且当添加少量项目时，只需要轻量级计算即可更新聚类。 它是分层的：它生成一个“扁平”的聚类，可以扩展为树结构，因此当数据探索需要时，用户可以将集群分组成子集群或超级集群。 它是基于密度的，并近似于 HDBSCAN*，这是 DBSCAN 的一种演变。 显示英文摘要

摘要： FISHDBC is a flexible, incremental, scalable, and hierarchical density-based clustering algorithm. It is flexible because it empowers users to work on arbitrary data, skipping the feature extraction step that usually transforms raw data in numeric arrays letting users define an arbitrary distance function instead. It is incremental and scalable: it avoids the $\mathcal O(n^2)$ performance of other approaches in non-metric spaces and requires only lightweight computation to update the clustering when few items are added. It is hierarchical: it produces a "flat" clustering which can be expanded to a tree structure, so that users can group and/or divide clusters in sub- or super-clusters when data exploration requires so. It is density-based and approximates HDBSCAN*, an evolution of DBSCAN.