[論文レビュー] A Survey of Some Density Based Clustering Techniques

Rupanka Bhuyan, Samarjeet Borah|arXiv (Cornell University)|Jan 1, 2013

Advanced Clustering Algorithms Research被引用数 14

ひとこと要約

本論文は、DBSCAN、OPTICS、DENCLUE、VDBSCAN、DVBSCAN、DBCLASD、ST-DBSCANを含む密度ベースのクラスタリング手法を調査し、それらのメカニズム、強み、限界、および多様なデータタイプへの適性を分析している。結論として、アルゴリズムの選択はデータの特性、特に密度の変動と空間時間的構造に適合する必要があると強調しており、DBSCANのシンプルさ、OPTICSの可変密度への適応性、DENCLUEのεに敏感でない堅牢性を示している。

ABSTRACT

Density Based Clustering are a type of Clustering methods using in data mining for extracting previously unknown patterns from data sets. There are a number of density based clustering methods such as DBSCAN, OPTICS, DENCLUE, VDBSCAN, DVBSCAN, DBCLASD and ST-DBSCAN. In this paper, a study of these methods is done along with their characteristics, advantages and disadvantages and most importantly, their applicability to different types of data sets to mine useful and appropriate patterns.

研究の動機と目的

• 複雑なデータセットにおけるパターンを同定するための主要な密度ベースのクラスタリングアルゴリズムを分析・比較すること。
• パrameter感度、計算複雑性、クラスタ形状検出の観点から、各手法の強みと限界を評価すること。
• 特に密度が変動するか、時間的空間的次元を有するデータタイプに対して、最も適切なアルゴリズムを特定すること。
• データ特性と応用ニーズに基づくアルゴリズム選定の包括的リファレンスを研究者に提供すること。

提案手法

• DBSCAN、OPTICS、DENCLUE、VDBSCAN、DVBSCAN、DBCLASD、ST-DBSCANの7つの主要な密度ベースのクラスタリングアルゴリズムをサーベイおよび分類すること。
• 各アルゴリズムのコアメカニズムの分析：例として、DBSCANはε半径とMinPtsを用いて密度に到達可能な点を定義する。OPTICSは到達可能性順序を生成する。DENCLUEはカーネル密度推定を用いる。
• ノイズ処理、任意形状クラスタの検出、パrameter要件に対する各手法の対応を評価すること。
• 計算複雑性の比較：インデックスなしバージョンではO(n²)、空間インデックスを適用するとO(n log n)。
• VDBSCANとDVBSCANにおける自動パラメータ選択の評価：k-distanceプロットと局所的密度分散に基づき、Epsとkを動的に調整する。
• ST-DBSCANの時間的空間的データへの拡張：クラスタ固有の密度要因を組み込み、インクリメンタルなクラスタ成長を実現する。

実験結果

リサーチクエスチョン

• RQ1 密度が変動するデータセットに最も適した密度ベースのクラスタリングアルゴリズムはどれか？
• RQ2 パrameter感度と計算複雑性は、密度ベースのクラスタリング手法のスケーラビリティと正確性にどのように影響するか？
• RQ3 OPTICSとDENCLUEは、DBSCANの可変密度データ処理における限界をどのように克服するか？
• RQ4 VDBSCANとDVBSCANは、標準DBSCANと比較して、クラスタ内の局所的密度変動をどのように管理するか？
• RQ5 ST-DBSCANは、ノイズと動的密度を有する時間的空間的データのクラスタリングにおいて、どのような利点を提供するか？

主な発見

• DBSCANは任意形状のクラスタを効果的に検出でき、ノイズに対しても対応できるが、固定されたεとMinPtsパラメータのため、密度が変動するデータセットでは困難をきたす。
• OPTICSはDBSCANのパラメータ感度を克服し、固定されたεを必要とせず、複数の密度閾値に対応できるクラスタ順序を生成する。
• DENCLUEはカーネル密度推定を用いて密度アトラクタを特定することで、DBSCANやOPTICSを改善し、εパラメータへの感度を低減する。
• VDBSCANは、異なる密度領域に複数のε値を自動選択することで、異種データセットにおけるパフォーマンスを向上させる。
• DVBSCANは、クラスタ密度の平均と分散のしきい値を用いることで、クラスタ内の局所的密度変動を効果的に管理し、このような状況下でDBSCANを上回る性能を示す。
• ST-DBSCANは、時間属性を組み込み、クラスタ固有の密度要因を割り当てることで、動的環境におけるノイズ検出を可能にし、時間的空間的データのクラスタリングを支援する。