[論文レビュー] Clustering Multidimensional Data with PSO based Algorithm

Jayshree Ghorpade-Aher, Vishakha A. Metre|arXiv (Cornell University)|Feb 26, 2014

Advanced Clustering Algorithms Research参考文献 13被引用数 10

ひとこと要約

本稿では、多次元データのクラスタリングを改善するために、初期中心検出、境界制限、および適応的パラメータ制御を統合した、高度な粒子群最適化（PSO）アルゴリズムであるSC-BR-APSOを提案する。この手法は、K-Means、標準PSO、および他のハイブリッド手法と比較して、低い誤差率と高速な収束を達成した。

ABSTRACT

Data clustering is a recognized data analysis method in data mining whereas K-Means is the well known partitional clustering method, possessing pleasant features. We observed that, K-Means and other partitional clustering techniques suffer from several limitations such as initial cluster centre selection, preknowledge of number of clusters, dead unit problem, multiple cluster membership and premature convergence to local optima. Several optimization methods are proposed in the literature in order to solve clustering limitations, but Swarm Intelligence (SI) has achieved its remarkable position in the concerned area. Particle Swarm Optimization (PSO) is the most popular SI technique and one of the favorite areas of researchers. In this paper, we present a brief overview of PSO and applicability of its variants to solve clustering challenges. Also, we propose an advanced PSO algorithm named as Subtractive Clustering based Boundary Restricted Adaptive Particle Swarm Optimization (SC-BR-APSO) algorithm for clustering multidimensional data. For comparison purpose, we have studied and analyzed various algorithms such as K-Means, PSO, K-Means-PSO, Hybrid Subtractive + PSO, BRAPSO, and proposed algorithm on nine different datasets. The motivation behind proposing SC-BR-APSO algorithm is to deal with multidimensional data clustering, with minimum error rate and maximum convergence rate.

研究の動機と目的

• 従来のK-MeansおよびPSOが示す多次元データクラスタリングにおける限界、特に初期クラスタ中心への感受性や早期収束の問題を解決する。
• 事前に指定されたクラスタ数、局所最適値への陥落、複数のクラスタメンバーシップといった問題を、知的な最適化によって克服する。
• 効果的な初期化と境界制約を活用する、頑健で適応的なPSOの変種を開発し、探索効率を向上させる。
• 既存のPSOベースおよびハイブリッドクラスタリング手法と比較して、多様な多次元データセットにおいて高いクラスタリング精度と高速な収束を達成する。

提案手法

• PSOフレームワークにおける初期粒子位置として、潜在的なクラスタ中心を特定するため、減数クラスタリングを適用する。
• 粒子の移動を可能な解空間内に制限する境界制限を導入し、範囲外の探索を防ぐ。
• 収束の進行に応じて動的に調整される適応的パラメータ（慣性重みおよび加速係数）を実装する。
• クラスタの質を評価し、粒子の更新を誘導するために、クラスタ内平方和（WCSS）に基づくフィットネス関数を用いる。
• 粒子が個々の最良位置およびグローバル最良位置に従って速度と位置を更新する、ハイブリッド探索メカニズムを統合する。
• 収束基準を満たすまで反復最適化を実行し、最終的なクラスタはグローバル最良粒子によって決定する。

実験結果

リサーチクエスチョン

• RQ1 減数クラスタリングは、ランダム初期化と比較して、PSOベースのクラスタリングにおける初期クラスタ中心選定をどのように改善するか？
• RQ2 境界制限は、多次元クラスタリングにおける収束安定性と解の品質をどの程度向上させるか？
• RQ3 PSOにおける適応的パラメータ制御は、早期収束を低減し、クラスタリング精度を向上させるか？
• RQ4 SC-BR-APSOは、K-Means、標準PSO、およびハイブリッドPSOの変種と比較して、性能でどのように差をつけるか？
• RQ5 事前にクラスタ数を知る必要がなく、低い誤差率と高速な収束を達成できるか？

主な発見

• SC-BR-APSOは、K-Means、PSO、K-Means-PSO、ハイブリッド減数＋PSO、BRAPSOと比較して、全9つのベンチマークデータセットで最小の誤差率を達成した。
• このアルゴリズムは、最も速い収束速度を示し、クラスタ構成の効率的最適化を示した。
• 減数クラスタリングは初期中心選定を顕著に改善し、ランダム初期化への感受性を低減した。
• 境界制限および適応的パラメータ制御により、粒子の発散や局所最適値への陥落の可能性が低減した。
• K-Means-PSOおよびハイブリッド減数＋PSOと比較して、精度および収束速度の両面で優れた性能を示した。
• SC-BR-APSOは、クラスタ数を事前に知る必要がなく、多様な多次元データセットにおいて頑健な性能を発揮した。