[論文レビュー] A neural network and iterative optimization hybrid for Dempster-Shafer clustering

Johan Schubert|ArXiv.org|May 16, 2003

Neural Networks and Applications参考文献 5被引用数 3

ひとこと要約

本稿では、高速な初期クラスタリングを実現するニューラルネットワークと、結果を精緻化する反復最適化を組み合わせたハイブリッドクラスタリング手法を提案する。Dempster-Shafer理論を活用し、メタコンフリクトを最小化することで、単一のニューラルネットワークよりも著しく高いクラスタリング精度を達成しつつ、計算効率も高い。この手法は、性能と速度の両面で、単独でのニューラルネットワークや反復最適化の手法を上回る。

ABSTRACT

In this paper we extend an earlier result within Dempster-Shafer theory ["Fast Dempster-Shafer Clustering Using a Neural Network Structure," in Proc. Seventh Int. Conf. Information Processing and Management of Uncertainty in Knowledge-Based Systems (IPMU 98)] where a large number of pieces of evidence are clustered into subsets by a neural network structure. The clustering is done by minimizing a metaconflict function. Previously we developed a method based on iterative optimization. While the neural method had a much lower computation time than iterative optimization its average clustering performance was not as good. Here, we develop a hybrid of the two methods. We let the neural structure do the initial clustering in order to achieve a high computational performance. Its solution is fed as the initial state to the iterative optimization in order to improve the clustering performance.

研究の動機と目的

• Dempster-Shafer理論に基づくクラスタリングにおける計算速度とクラスタリング精度のトレードオフを解消すること。
• 高速な計算を実現するが平均性能が低いニューラルネットワーク手法の改善を図ること。
• ニューラルネットワークの初期化を用いることで、高精度であるが計算コストの高い反復最適化手法の計算負荷を低減すること。
• ニューラルネットワークと反復最適化の長所を活かしたハイブリッドフレームワークを構築し、全体的なクラスタリング性能を向上させること。

提案手法

• メタコンフリクト関数を最小化することで、ニューラルネットワーク構造を用いて初期クラスタリングを実行し、高速かつ近似解を得る。
• ニューラルネットワークの出力を反復最適化の初期状態として用い、クラスタリング結果を精緻化する。
• 反復最適化により、ニューラルネットワークの解を出発点として、さらにメタコンフリクト関数を最小化し、精度を向上させる。
• ハイブリッド手法は、2段階のプロセスを通じて、ニューラルネットワークの高速性と反復最適化の精度を組み合わせる。
• 手法はDempster-Shafer理論の枠組み内で動作し、クラスタリングにおける不確実性を信念構造を用いて表現する。
• メタコンフリクト関数を最小化することで、証拠間の対立を低減し、クラスタリング品質を向上させる。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークは、Dempster-Shafer理論に基づくクラスタリングに対して、高速かつ効果的な初期クラスタリング解を提供できるか？
• RQ2 反復最適化は、ニューラルネットワークの出力のクラスタリング精度を著しく向上させることができるか？
• RQ3 ニューラルネットワークと反復最適化を組み合わせることで、単独の手法よりも優れた性能が得られるか？
• RQ4 ハイブリッド手法は、不確実性に基づくクラスタリングにおいて、計算効率とクラスタリング精度のバランスをどのようにとるか？

主な発見

• ハイブリッド手法は、ニューラルネットワーク単体よりも著しく優れたクラスタリング性能を達成し、メタコンフリクトの最小化において精度が向上した。
• ニューラルネットワークが高速な初期解を提供することで、反復最適化段階での反復回数が削減された。
• 反復最適化段階は、ニューラルネットワークの出力を効果的に精緻化し、高品質なクラスタリング結果をもたらした。
• ハイブリッド手法は、クラスタリング精度において両手法の単独利用を上回りつつ、高い計算効率を維持した。