[論文レビュー] A Rapid Review of Clustering Algorithms

Hui Yin, Amir Aryani+4 more|arXiv (Cornell University)|Jan 14, 2024

Advanced Clustering Algorithms Research被引用数 10

ひとこと要約

この論文はクラスタリングアルゴリズムを概観し、それらを五つの次元で分類し、評価指標を論じ、クラスタリング研究の動向と未解決課題を強調します。

ABSTRACT

Clustering algorithms aim to organize data into groups or clusters based on the inherent patterns and similarities within the data. They play an important role in today's life, such as in marketing and e-commerce, healthcare, data organization and analysis, and social media. Numerous clustering algorithms exist, with ongoing developments introducing new ones. Each algorithm possesses its own set of strengths and weaknesses, and as of now, there is no universally applicable algorithm for all tasks. In this work, we analyzed existing clustering algorithms and classify mainstream algorithms across five different dimensions: underlying principles and characteristics, data point assignment to clusters, dataset capacity, predefined cluster numbers and application area. This classification facilitates researchers in understanding clustering algorithms from various perspectives and helps them identify algorithms suitable for solving specific tasks. Finally, we discussed the current trends and potential future directions in clustering algorithms. We also identified and discussed open challenges and unresolved issues in the field.

研究の動機と目的

• 既存のクラスタリングアルゴリズムとその基礎原理を要約する。
• 原理、データポイント割り当て、データセット容量、事前定義されたクラスタ数、適用分野でアルゴリズムを分類する。
• 評価指標と、さまざまなデータ条件下での適用可能性を論じる。
• クラスタリング研究の現在の動向、未解決課題、および今後の方向性を強調する。

提案手法

• Google Scholar、arXiv、Scopusを用いたクラスタリングに関連するキーワードによる文献調査を実施する。
• 言語（英語）、最近性（過去5年）、新規クラスタリング技術に焦点を当てた論文のスクリーニングを行う。
• アルゴリズムを分類するために、基礎原理、データポイント割り当て、データセット容量、事前定義されたクラスタ数、適用分野を分析する。
• 内部および外部評価指標とその限界を検討する。
• ディープラーニングとの統合やハイブリッド手法を含む、クラスタリングの動向、適用、未解決課題を議論する。

Figure 1: Structure of the clustering algorithm classification, covering five dimensions.

実験結果

リサーチクエスチョン

• RQ1 クラスタリングアルゴリズムを分類する際に用いられる主な基礎原理と特徴は何か？
• RQ2 クラスタリングアルゴリズムはデータポイント割り当て、データセット容量、事前定義されたクラスタ数の必要性の点でどう異なるか？
• RQ3 クラスタリングに使用される評価指標は何であり、教師なし設定ではその限界は何か？
• RQ4 クラスタリング研究の現在の動向、適用、および未解決課題は何か？
• RQ5 ディープラーニングの統合やハイブリッドアプローチなど、将来の方向性はクラスタリング手法にどのような影響を与える可能性があるか？

主な発見

• クラスタリングアルゴリズムは、5つの原理ベースのファミリに分類される：分割法、階層法、密度ベース、格子ベース、モデルベース。
• アルゴリズムはデータポイントをクラスタへ割り当てる方法（硬い割り当て vs ソフト割り当て）およびクラスタ数の必要性の点で異なる。
• データセット容量は手法の選択に影響を与え、小規模・中規模・大規模データセットに対する異なるサポートと対応するスケーラビリティの考慮を伴う。
• 内部および外部評価指標はクラスタリング品質を評価するために使われ、それぞれ特有の利点と制限がある。
• 特定のドメインへの適用、ディープラーニングの組み込み、ハイブリッドアプローチの開発に向けた動向があり、最適なクラスタ数を決定する際の課題が継続している。

Figure 2: Example of Partition-Based Clustering Algorithm: the left side represents the original data, and the right side shows the resulting clusters after applying the K-Means clustering algorithm. Each data sample is classified into only one cluster.