本稿では、従来の凸クラスタリング手法にカーネル化を導入する新しいアプローチを提案しています。凸クラスタリングは、データポイントをそれぞれの重心として開始し、反復的に統合する方法ですが、線形分離不可能なデータや非凸構造のデータには限界があります。新しい手法では、データポイントを再生カーネルヒルベルト空間（RKHS）に投影し、この変換された空間内で凸クラスタリングを行います。理論的な裏付けとして、アルゴリズムの収束性や推定値に関する有限サンプル境界を証明しています。また、合成データセットや実世界のデータセットでの実験により、従来の技術と比べて優れた性能を示しました。この研究は、非線形かつ非凸データに対するクラスタリングの効果的な解決策を提供する重要な進展を示しています。