Agrupamento Autônomo de Dados com Formas Arbitrárias via Otimização da KDE Restrita a Segmentos entre Pontos Rotulados e Não Rotulados

Este trabalho propõe um novo algoritmo de clusterização de dados multidimensionais, denominado Segment-Driven Density Expansion (SDDE), fundamentado na estimativa de densidade kernel (KDE) e na análise da conectividade entre observações ao longo de segmentos convexos. A metodologia proposta, identifica núcleos de alta densidade por meio da maximização da função KDE e, de forma iterativa, expande os agrupamentos avaliando o comportamento da densidade ao longo dos segmentos que conectam pontos rotulados e não rotulados. Quedas significativas de densidade ao longo desses segmentos são interpretadas como evidência de separação estrutural entre clusters, acionando um mecanismo de perturbação que interrompe o crescimento do agrupamento corrente e inicia um novo grupo. O algoritmo é capaz de determinar automaticamente o número de clusters e identificar estruturas com formas arbitrárias e fronteiras não lineares. Experimentos numéricos com dados sintéticos mostram que o SDDE apresenta desempenho comparável ao DBSCAN em cenários de agrupamentos não globulares, superando métodos baseados em clusters globulares. Como limitação, destaca-se o custo computacional associado à otimização repetida da KDE ao longo de segmentos, o que motiva futuras investigações voltadas à redução do tempo de execução.