For such ideal similarity matrices,

For such ideal similarity matrices, we can show that the spectral clustering algorithm will deterministically
recover all clusters in the hierarchy (see Theorem 5 in the appendix). However, since this
ideal case does not hold in general, we focus on similarity matrices that can be decomposed into an
ideal matrix and a high-variance noise term.

Results (Indonesian) 1:

Untuk matriks ideal kesamaan tersebut, kita dapat menunjukkan bahwa clustering algoritma spektral akan deterministicallymemulihkan semua kelompok dalam hirarki (Lihat teorema 5 dalam Lampiran). Namun, karena inikasus ideal tidak memegang secara umum, kita fokus pada matriks kesamaan yang dapat didekomposisi keideal matrix dan istilah tinggi-varians kebisingan.

Results (Indonesian) 2:

Untuk matriks kesamaan yang ideal, kita dapat menunjukkan bahwa algoritma clustering spektral deterministik akan
memulihkan semua cluster dalam hirarki (lihat Teorema 5 di usus buntu). Namun, karena ini
kasus yang ideal tidak tahan pada umumnya, kita fokus pada matriks kesamaan yang dapat diuraikan ke dalam sebuah
matriks yang ideal dan jangka kebisingan yang tinggi-variance.