Article 40, PCT

Article 40
Delaying of National Examination and Other Processing
国内審査及び他の処理の繰延べ 

(1)  If the election of any Contracting State has been effected prior to the expiration of the 19th month from the priority date, the provisions of Article 23 shall not apply to such State and the national Office of or acting for that State shall not proceed, subject to the provisions of paragraph (2), to the examination and other processing of the international application prior to the expiration of the applicable time limit under Article 39.
（１） 締約国の選択が優先日から十九箇月を経過する前に行われた場合には、第二十三条の規定は、当該締約国については適用しないものとし、当該締約国の国内官庁又は当該締約国のために行動する国内官庁は、（２）の規定が適用される場合を除くほか、前条に規定する当該期間の満了前に、国際出願の審査及び他の処理を開始してはならない。

(2)  Notwithstanding the provisions of paragraph (1), any elected Office may, on the express request of the applicant, proceed to the examination and other processing of the international application at any time.
（２） （１）の規定にかかわらず、選択官庁は、出願人の明示の請求により、国際出願の審査及び他の処理をいつでも開始することができる。

https://www.wipo.int/export/sites/www/pct/ja/docs/pct.pdf

 

 

クレームにおける「ステップ」

stepの有無、定冠詞の有無

US5904523(Google)
（これは実施例）
The wafer is then subjected to the oxidation step in which the wafer is further oxidized in an O₂ atmosphere at a temperature and for a period of time sufficient to form a silicon oxynitride layer on the wafer with a thickness of at least about 1 nm. Typically, temperatures in the range of about 800° C. to about 950° C. are selected to oxidize silicon in a furnace. However, one skilled in the art will appreciate that the selected temperature is largely a matter of design choice, with lower temperatures providing a slower rate of oxidation and higher temperatures providing a faster rate. Of course, the selected temperature must be sufficiently high to promote the oxidation reaction, but sufficiently low to avoid damaging the silicon wafer.

WO2018226283(Google)
1 . A computer-implemented method comprising:

receiving, by a computing device, audio corresponding to playback of an item of media content;

 

determining, by the computing device, that the audio includes an utterance of a predefined hotword and that the audio includes an audio watermark;

 

analyzing, by the computing device, the audio watermark; and

 

based on analyzing the audio watermark, determining, by the computing device, whether to perform speech recognition on a portion of the audio following the predefined hotword.

【請求項１】
  コンピューティングデバイスにより、１個のメディアコンテンツの再生に対応するオーディオを受け取るステップと、
  前記コンピューティングデバイスにより、前記オーディオが既定のホットワードの発語を含み、前記オーディオがオーディオ透かしを含むと判定するステップと、
  前記コンピューティングデバイスにより、前記オーディオ透かしを解析するステップと、
  前記オーディオ透かしの解析に基づいて、前記コンピューティングデバイスにより、前記既定のホットワードに続く前記オーディオの一部分に対してスピーチ認識を実行するかどうかを判定するステップと、
  を含む、コンピュータ実施方法。

 

WO2018212769(Google)

13. The method of claim 8, further comprising:

 

receiving, from a particular entity, a particular activity data request that specifies a particular user identifier for a particular user;

 

identifying a plurality of data sets that (i) include a user identifier for the particular user and (ii) are data sets from which the particular entity is eligible to receive data; determining that the particular entity has not requested activity data for greater than a threshold number of users during a specified time period;
in response to determining that the particular entity has not requested activity data for greater than a threshold number of users during a specified time period:

 

selecting, from a specified number of the plurality of data sets, the activity data of the particular user included in each data set of the specified number of the plurality of data sets; and

 

providing the selected data to the particular entity.

 

【請求項１３】
  特定のエンティティから、特定のユーザに対する特定のユーザ識別子を指定する特定の活動データ要求を受信するステップと、
  （ｉ）前記特定のユーザのユーザ識別子を含み、（ｉｉ）前記特定のエンティティがそこからデータを受信する資格があるデータ・セットである、複数のデータ・セットを識別するステップと、
  前記特定のエンティティが、指定された期間内の閾値数のユーザより多い活動データを要求していないと判定するステップと、
  前記特定のエンティティが、指定された期間内の閾値数のユーザより多い活動データを要求していないと判定したことに応答して、
    指定された数の前記複数のデータ・セットから、前記指定された数の前記複数のデータ・セットの各データ・セットに含まれる前記特定のユーザの前記活動データを選択し、
    前記選択されたデータを前記特定のエンティティに提供するステップと、
  をさらに含む、請求項８に記載の方法。

14, The method of claim 13, wherein determining（＊無冠詞）that the particular entity has not requested activity data for greater than a threshold number of users during a specified time period comprises:

 

determining a number of activity data requests received from the particular entity that specified a user identifier that matched a user identifier of one or more data sets received from a particular publisher; and

 

determining that the number of activity data requests is not more than a threshold specified by the particular publisher,

 

【請求項１４】
  前記特定のエンティティが、指定された期間内の閾値数のユーザより多い活動データを要求していないと判定するステップは、
  特定のパブリッシャから受信された１つまたは複数のデータ・セットのユーザ識別子とマッチしたユーザ識別子を指定した前記特定のエンティティから受信された活動データ要求の数を決定するステップと、
  活動データ要求の前記数は前記特定のパブリッシャにより指定された閾値より多くないと判定するステップと、
  を含む、請求項１３に記載の方法。

 

WO2018186824(Google)

1. A method performed by data processing apparatus, the method comprising:

 

detecting, by one or more servers, interaction with a digital component at a client device;

 

identifying, by the one or more servers, an intermediary server that can redirect the client device to a destination resource being requested through the interaction with the digital component;

 

pinging, by the one or more servers, the intermediary server with a request that includes interaction data corresponding to the interaction with the digital component;

 

obtaining, by the one or more servers, an identifier for the destination resource; and redirecting, by the one or more servers, the client device to the destination resource using said identifier.

 

【請求項１】
  データ処理装置によって実行される方法であって、
  1つまたは複数のサーバによって、クライアントデバイスにおけるデジタルコンポーネントとの対話を検出するステップと、
  前記1つまたは複数のサーバによって、前記デジタルコンポーネントとの前記対話を通じて要求されている宛先リソースに前記クライアントデバイスをリダイレクトすることができる中間サーバを識別するステップと、
  前記1つまたは複数のサーバによって、前記デジタルコンポーネントとの前記対話に対応する対話データを含む要求を用いて前記中間サーバにピングするステップと、
  前記1つまたは複数のサーバによって、前記宛先リソースの識別子を取得するステップと、
  前記1つまたは複数のサーバによって、前記識別子を使用して前記クライアントデバイスを前記宛先リソースにリダイレクトするステップとを備える、
  方法。

 

2. The method of claim 1, wherein identifying（＊無冠詞）the intermediary server comprises examining a URL used to contact the one or more servers, and extracting information specifying a path of the intermediary server.

 

【請求項２】
  前記中間サーバを識別するステップが、
  前記1つまたは複数のサーバに連絡するために使用されるURLを調べるステップと、
  前記中間サーバのパスを指定する情報を抽出するステップとを備える、
  請求項1に記載の方法。

 

3. The method of any of claims 1-2, wherein the step of receiving（＊クレーム１では"obtaining"；"the step of"が登場）, by the one or more servers, an identifier for the destination resource via the intermediate server, further comprising:

 

receiving, from the intermediary server, a redirect response that redirects the one or more servers to a second intermediary server; and

 

pinging, by the one or more servers, the second intermediary server with a second request that includes data from the redirect response.

【請求項３】
  前記1つまたは複数のサーバによって、前記中間サーバを介して前記宛先リソースの識別子を受信するステップが、
  前記中間サーバから、前記1つまたは複数のサーバを第2の中間サーバにリダイレクトするリダイレクト応答を受信するステップと、
  前記1つまたは複数のサーバによって、前記リダイレクト応答からのデータを含む第2の要求を用いて前記第2の中間サーバにピングするステップとをさらに備える、
  請求項1または2に記載の方法。

 

WO2018063599(Intel)

8. A method to change a content orientation in which a display device presents content based on biometric information, the method comprising:

 

capturing, with a biometric sensor, a biometric sample;

 

comparing, with at least one processor executing an instruction, the biometric sample to a stored biometric data set, the biometric data set corresponding to a portable device orientation; and

 

based on the comparing of the biometric sample to the biometric data set, changing the content orientation.

 

【請求項８】
  バイオメトリック情報に基づいて、ディスプレイデバイスがコンテンツを提示するコンテンツの向きを変更する方法であって：
  バイオメトリックセンサにより、バイオメトリックサンプルをキャプチャするステップと；
  命令を実行する少なくとも１つのプロセッサにより、前記バイオメトリックサンプルを、格納されているバイオメトリックデータセットと比較するステップであって、前記バイオメトリックデータセットはポータブルデバイスの向きに対応するステップと；
  前記バイオメトリックデータセットに対する前記バイオメトリックサンプルの比較に基づいて、前記コンテンツの向きを変更するステップと；
  を備える、方法。

 

9. A method as defined in claim 8, wherein the biometric data set is a first biometric data set, the method further including:

 

capturing a plurality of biometric data sets associated with respective ones of a plurality of portable device orientations; and

 

storing the plurality of biometric data sets in association with a plurality of portable device orientation identifiers identifying the respective ones of the plurality of portable device orientations.

 

【請求項９】
  前記バイオメトリックデータセットは、第１バイオメトリックデータセットであり、当該方法は：
  複数のポータブルデバイスの向きのそれぞれ１つに関連付けられる複数のバイオメトリックデータセットをキャプチャするステップと；
  前記複数のバイオメトリックデータセットを、前記複数のポータブルデバイスの向きの前記それぞれ１つを識別する複数のポータブルデバイス向き識別子と関連付けて格納するステップと；
  を更に含む、請求項８に記載の方法。

 

11. A method as defined in claim 9, wherein the comparing of（＊定冠詞）the biometric sample to the biometric data set includes identifying a first biometric data set of the plurality of biometric data sets, the first biometric data set matching the biometric sample, and storing a first portable device orientation identifier corresponding to the first biometric sample as a current portable device orientation.

 

【請求項１１】
  前記バイオメトリックサンプルを前記バイオメトリックデータセットと比較するステップは、前記複数のバイオメトリックデータセットの第１バイオメトリックデータセットを識別することであって、前記バイオメトリックサンプルに一致する第１バイオメトリックデータセットを識別することと、第１バイオメトリックサンプルに対応する第１ポータブルデバイス向き識別子を現在のポータブルデバイスの向きとして格納することを含む、
  請求項９に記載の方法。

 

WO2018044441(Apple)

11. A video decoding method, comprising:

 

entropy decoding coded video data received from a channel, yielding quantized transform coefficients;

 

first dequantizing the quantized transform coefficients in a first dimension, yielding reconstructed transform coefficients;

 

transforming the reconstructed transform coefficients to a pixel domain;

 

second dequantizing（＊日本人的には"performing a second dequantization"）pixel-domain values obtained from the transforming in a second dimension, yielding an array of pixel residuals; and

 

generating an array of reconstructed pixel values from the array of pixel residuals and from an array of prediction data.

 

【請求項１１】
  ビデオ復号化方法であって、
  チャネルから受信した符号化されたビデオデータをエントロピ復号化し、量子化された変換係数を産出することと、
  前記量子化された変換係数を第１の次元で第１の逆量子化をし、再構成された変換係数を産出することと、
  前記再構成された変換係数を画素ドメインに変換することと、
  前記変換から得られる画素ドメインの値を第２の次元で第２の逆量子化をし、画素残差のアレイを産出することと、
  前記画素残差のアレイ及び予測データのアレイから再構成された画素値のアレイを生成することと、を含む、ビデオ復号化方法。

 

12. The video decoding method of claim 11, wherein the second dequantizing（＊定冠詞；performing the second dequantizing）comprises upscaling an array of the pixel-domain values.

 

【請求項１２】
  前記第２の逆量子化は、前記画素ドメインの値のアレイをアップスケーリングすることを含む、請求項１１に記載のビデオ復号化方法。

 

17. The video decoding method of claim 11, further comprising, between the transforming steps（＊突如、"step"が登場）and the second dequantizing（＊こちらは無い、多分単なる誤記）, third quantizing data obtained from the transforming step in another dimension, separate from the second dimension.

 

【請求項１７】
  前記変換ステップと前記第２の逆量子化ステップとの間に、前記変換するステップから得られるデータを前記第２の次元とは別個の別の次元で第３の量子化をすること、を更に含む、請求項１１に記載のビデオ復号化法。

重心間距離

WO2012119013
[00363] For the nine and the twenty-one gene panels, average expression data for various samples were superimposed in this PCA coordinate system.
[0305] 9遺伝子および21遺伝子のパネルに関する様々なサンプルの平均発現データを、このPCA座標系に上書きした。

The centroid (center of mass (average expression)) of each sample represented its individual transcript expression profile (regulatory signature) as given by the principal component vector.
各サンプルの重心（質量（平均発現）の中心）は、主成分ベクトルにより与えられるその個々の転写物発現プロフィール（調節シグネチャー）を表すものであった。

In this representation, the distance between centroids inversely equivalent to the similarity measure (greater distance = less similarity).
この表示法において、重心間の距離は、その類似度に反比例する（長い距離=低い類似性）。

Thus, large distances or separation between centroids indicated samples with distinct transcript expressions signatures; proximity of centroids indicated similarity between samples.
したがって、重心間の大きな距離または隔離は、別個の転写物発現シグネチャーを有するサンプルを示し；重心の近さは、サンプル間の類似を示した。

For example, distance between centroids for different tumor type samples represented the relative similarity of their regulatory signatures (transcript expression levels).
例えば、異なる腫瘍タイプのサンプルの重心間距離は、それらの調節シグネチャー（転写物発現レベル）の相対的類似性を表した。

WO2009120909
[0090] A variety of statistical analyses are applicable for building a probability space or model
確率空間またはモデルを構築するために、種々の統計分析を適用可能である。

Fig 1 illustrates an exemplary characterization of similarity as measured by the Mahalanobis distance in a two-dimensional (multivariate) space
図１は、２次元（多変量）空間において、マハラノビス距離によって測定される類似性の例示的特性化を示す。

The outcome of a discriminant function analysis is typically a Mahalanobis distance for every subject in the analysis data set
判別関数分析の結果は、通常は、分析データ集合内の被検者毎のマハラノビス距離である。

The methods of performing the discriminant analysis in this manner or similar manners are known to those skilled in the art
このように、または同様に、判別分析を行なう方法は、当業者には周知である。

In this example, the data from two independent variables (for example, biomarkers) are plotted against each other Each patient mthe analysis set is represented by a single point on the graph.
本実施例では、２つの独立変数（例えば、バイオマーカ）からのデータは、互いに対してプロットされる。分析集合内の各患者は、グラフ上の単一点によって表される。

The distance between each patient's biomarker parr pattern and the centroid of the cluster of data is calculated as the Mahalanobis distance and is represented by the ellipses in the Fig 1 ,
各患者のバイオマーカ対パターンとデータのクラスタ重心との間の距離は、マハラノビス距離として計算され、図１内の楕円によって表され、

wherein the centroid can be typically defined as the mean sector of all independent measures in the space of interest
重心は、通常は、着目空間内の全独立測定の平均領域として定義可能である。

The probability that any particular patient belongs to a cluster depicted herein is inversely proportional to the distance from the centroid of the cluster In this way the Mahalanobis distance ellipse on the plot in Fig 1 is used as a measure of similarity between the two sets of independent variables
任意の特定の患者が、本明細書に描写されるクラスタに属する確率は、クラスタの重心からの距離に反比例する。このように、図１のプロット上のマハラノビス距離楕円は、２つの独立変数集合間の類似性の測定として使用される。

This method also accounts for noise in the appropnate distance metric by assigning probabilities of class assignment for a particular patient based on the variance observed in the underlying clustered data
また、本方法は、基礎的クラスタ化データ内で観察された分散に基づいて、特定の患者に対するクラス割当の確率を代入することによって、適切な距離メトリックにおいてノイズを考慮する。

Thus this method can account for uncertainty in the probability space
したがって、本方法は、確率空間内の不確実性を考慮可能である。

クラスタ数

US6816848
Generally, the cluster analysis is performed based on input parameters from the user.
【００５０】一般に、クラスタ分析はユーザからの入力パラメータに基づいて実行される。

In the preferred embodiment, the user may specify a database 116, a table within the database 116, and a list of attributes from the table that will be analyzed for clusters.
好適実施例において、ユーザはデータベース１１６、該データベース１１６内のテーブル、並びに、クラスタ用に分析されることになる該テーブルからの属性から成るリストを特定し得る。

The user also may identify a type of cluster analysis (e.g., K-Means or Gaussian Mixture),
またユーザはクラスタ分析のタイプ（例えば、Ｋ－ｍｅａｎｓ或はガウス混合）、

the number of clusters to be searched for within the data, a threshold difference in a Log Likelihood value below which the EM iterations will stop, and a maximum number of iterations independent of the change in the Log Likelihood value.
そのデータ内で調査されるべきクラスタの数、ＥＭ反復が下回って停止することになるログ尤度値における閾値差、並びに、ログ尤度値における変化と独立した反復の最大数を識別し得る。

In this embodiment, the Log Likelihood defines the likelihood that a given clustering model could have generated the dataset, i.e., it describes the adequacy of a clustering model fit under the assumptions of a given probabilistic model.
この実施例において、ログ尤度は所与のクラスタリング・モデルがデータ・セットを生成する尤度、即ち、所与の確率論的なモデルの仮定の下に適合するクラスタリング・モデルの妥当性を記述する尤度を規定する。

The output comprises a table of values of cluster means, variances and prior probabilities (i.e., the relative number of rows assigned to clusters). A measure of success of cluster identification is provided as the average of all within-cluster variances and a Log Likelihood sum on row-cluster probabilities.
【００５１】出力はクラスタ平均の値、分散、並びに、先行可能性（即ち、クラスタに割り当てられた行の相対数）から成るテーブルを含む。クラスタ識別の成功の測定は、クラスタ内分散の全てと行クラスタ確率上のログ尤度合算との平均として提供される。

After the user has chosen the number of clusters desired (N), an initialization step randomly associates each row of the table to one of N clusters. This may be accomplished using a sampling function, a (non-random) row modulus function, or some other similar function.
【００５２】ユーザが所望されたクラスタ数（Ｎ）を選択した後、初期化ステップがテーブルの各行を無作為にＮ個のクラスタの内の１つと関連させる。これはサンプリング機能、（非無作為）行モジュラス機能、或は、何等かの他の同様機能を用いて達成され得る。

WO2009120909
[00276] Identification of the dynamics of the emergence of separate subpopulations within the tπal sample population can be performed with two complementary clusteπng statistics Cubic Clustering Criterion (CCC) and the Pseudo-F which help the end-user establish the number of clusters emerging within the geometry as demonstrated in Fig 21
 試験サンプル母集団内の別個の部分母集団の出現の動態の識別は、２つの相補的クラスタ化統計（３次元クラスタ化基準（ＣＣＣ）および擬似Ｆ値）によって行なうことが可能であって、エンドユーザが、図２１に実証される幾何学形状内に現れるクラスタ数を確立する支援となる。

US9264442
To detect anomalous user activity, the system may also separately cluster users for each domain to associate single-domain cluster indices with each user, and then cluster the users according to the single-domain cluster indices.
ユーザの異常な行動を検知するために、このシステムでは、ドメインごとにユーザのクラスタリングを別々に行って、単一ドメインのクラスタ索引を各ユーザに関連付け、次いで、単一ドメインのクラスタ索引により、それらのユーザのクラスタリングを行うこともできる。

For example, the system may cluster users according to the average number of files accessed daily (or within any predetermined time period), and cluster users according to an average number of e-mails sent and received daily (or within any predetermined time period).
例えば、このシステムは、毎日（または、任意の所定の期間内に）アクセスするファイルの平均数に従って、ユーザのクラスタリングを行うことができ、かつ毎日（または、任意の所定の期間内に）やり取りするＥメールの平均数に従って、ユーザのクラスタリングを行うことができる。

The system associates each user with a single-domain cluster number for the e-mail domain, and associates each user with a single-domain cluster number for the file domain.
このシステムでは、Ｅメールのドメインに関する単一ドメインのクラスタ数を各ユーザと関連付け、かつファイルのドメインに関する単一ドメインのクラスタ数を各ユーザと関連付ける。

The system then clusters the users according to the single-domain cluster numbers from the different domains, thereby generating a discrete distribution for each user.
次いで、このシステムは、異なるドメインからの単一ドメインのクラスタ数に従って、ユーザのクラスタリングを行い、それにより、ユーザごとの離散分布を生成する。

The system can then compare a user's distribution of single-domain clusters with others that have roles similar to the user to detect anomalies.
次いで、このシステムは、単一ドメインのクラスタのユーザ分布を、そのユーザと同様の職務を行う別のユーザと比較して、異常を検知することができる。

Furthermore, the system can compute an anomaly score for each user for each domain, and then compute an aggregate anomaly score by weighting the separate anomaly scores for the domains.
さらに、このシステムは、各ドメインに関するユーザごとに異常スコアを計算し、ドメインに関する別々の異常スコアに重みを付けることにより、異常スコアの総計を計算することができる。

In an implementation, the system may utilize a leave-1-out technique to identify anomalous user activity.
実装形態では、システムは、１つ抜き法を用いてユーザの異常な行動を特定することができる。

The system analyzes a specific user by fixing the domain values of all domains except for one.
システムは、１つ除いた全てのドメインのドメイン値を固定することにより、特定のユーザを分析する。

The basic principle is that normal individuals should be predictable. The system attempts to predict a cluster number of that domain. The system may identify the user activity as anomalous if the prediction is incorrect.
この基本的な原理は、通常の個々の要素は予測可能であるはずであるということである。システムは、そのドメインのクラスタの数の予測を試みる。予測が不正確な場合、システムは、ユーザの行動を異常と認識することができる。

For example, the system may set the domain values (e.g., cluster numbers) for a user such that logon=1, device=2, file=3, and e-mail=1. The system then attempts to predict a cluster number for the HTTP domain.
例えば、このシステムは、ログオン＝１、装置＝２、ファイル＝３、およびＥメール＝１となるように、ユーザに関するドメイン値（例えば、クラスタ数）を設定することができる。次いで、システムは、ＨＴＴＰドメインに関するクラスタ数の予測を試みる。

If the prediction is incorrect, the system may label the user activity as anomalous.
予測が不正確な場合、システムはユーザの行動を異常として表示することができる。

The system may compute anomaly scores for each domain and combine the anomaly scores by weighting the individual domains.
このシステムは、ドメインごとに異常スコアを計算し、個々のドメインに重みを付けることにより、異常スコアを組合せることができる。

The anomaly score for a domain d and user i is
ドメインｄおよびユーザｉに関する異常スコアは、

[mathematical formula]
【数１５】

  である。
where N is the total number of users and j is each user j from j=1 to N.
ここで、Ｎはユーザの総数であり、ｊはｊ＝１～Ｎからの各ユーザｊである

The system may adjust the prediction miss value m(d,i) for each domain d to reflect the weighted value of the domain.
このシステムは、ドメインｄごとに予測外れ値ｍ（ｄ，ｉ）を調整して、重みを付けた値をドメインに反映させることができる。

The system may then compute an aggregate anomaly score s(i) for user i as s(i)=Σd a (d, i).
次いで、このシステムは、ユーザｉに関する異常スコアｓ（ｉ）の総計を

【数１６】

  として計算することができる。

WO2016087589
Others have attempted to analyze expression heterogeneity using different clustering methods and alternative multiplexing schemes (Gerdes et al. 2013, Qian, et al. 2010).
他の研究者が、様々なクラスタ化（ｃｌｕｓｔｅｒｉｎｇ）方法及び選択的多重化（ｍｕｌｔｉｐｌｅｘｉｎｇ）方式を使用して、発現不均一性の分析を試みてきた（Ｇｅｒｄｅｓ  ｅｔ  ａｌ．２０１３、Ｑｉａｎ，ｅｔ  ａｌ．２０１０）。

The hierarchical clustering approach requires significant assumptions to be made.
階層型クラスタ化アプローチでは、有意な想定を立てる必要がある。

Knowing the distance between points that determines where to draw the boundary to form a new cluster is a key parameter for hierarchical clustering algorithms.
階層型クラスタ化アルゴリズムの場合、新規クラスタを形成するために境界線を引く位置を決定付ける点間の距離を知ることが、１つの主要なパラメータである。

Alternatively, some hierarchical algorithms (such as Ward's method (Ward 1963)) require entry of the number of clusters as a parameter.
あるいは、一部の階層型アルゴリズム（Ｗａｒｄ方式（Ｗａｒｄ  １９６３）など）ではクラスタ数をパラメータとして入力する必要がある。

However, cut-off thresholds (distance) and number of expected clusters are both parameters that are often unknown.
しかし、カットオフ閾値（距離）及び予想されるクラスタ数はいずれも、不詳であることが多いパラメータである。

Additionally, some algorithms enforce assumptions about even cluster size (e.g. k-means), distance between points that are members of different clusters (hierarchical clustering) or assumptions about the expected number of clusters to be found (hierarchical clustering, k-means).
加えて、一部のアルゴリズムでは均等なクラスタのサイズ（例えばｋ平均）、異なるクラスタの構成要素である点間の距離（階層型クラスタ化）に関する想定、又は見つかると予想されるクラスタ数（階層型クラスタ化、ｋ平均）に関する想定を強制する。

Though widely used, hierarchical methods are better suited to variables measured on a discontinuous scale (e.g. +, ++, +++, ++++).
幅広く使用されているが、階層型方法は、非連続的尺度（例えば＋、＋＋、＋＋＋、＋＋＋＋）を基準に測定される変数により良く適する。

For this reason, hierarchical clustering algorithms are not ideal for the requirements of expression heterogeneity analysis.
こうした理由から、階層型クラスタ化アルゴリズムは、発現不均一性分析の要件に対して理想的ではない。

Alternative density-based tools such as FLOCK (Qian, et al. 2010) have limitations in that parameters for size of hyper-regions used to calculate density and density cut-off thresholds must be estimated and entered to the algorithm to enable cluster determination.
選択的な密度ベースのツール、例えばＦＬＯＣＫ（Ｑｉａｎ，ｅｔ  ａｌ．２０１０）は、密度及び密度カットオフ閾値の計算に使用される過剰領域（ｈｙｐｅｒ－ｒｅｇｉｏｎ）のサイズを表すパラメータを推定し、これらをアルゴリズムに入力してクラスタ判定を可能にしなければならない、という制約がある。

WO2015002630
 (assuming i= l , . . . ,N where N=number of claims and d=T , . . . ,D where D=number of clusters)
（ｉ＝１、…，Ｎ、ここで、Ｎ＝クレーム数、およびｄ＝１、…，Ｄ、ここでＤ＝クラスタ数）。ここで、ｊは変数の数であり、