[論文レビュー] KohonAnts: A Self-Organizing Ant Algorithm for Clustering and Pattern Classification

Carlos M. Fernandes, Antonio M. Mora+3 more|ArXiv.org|Mar 18, 2008

Neural Networks and Applications参考文献 11被引用数 24

ひとこと要約

KohonAntsは、Ant Colony OptimizationとKohonen自己組織化マップを統合することで、クラスタリングおよびパターン分類を可能にする、新しい自己組織化アリアルゴリズムを提案する。各データポイントは2次元グリッド上を移動するアリとしてモデル化され、その占有するセルのフェロモンベクトルを自身のデータに合わせて更新することで、スタイグメルギー駆動のクラスタリングを実現する。本手法は、最小限のパラメータチューニングで、ベンチマークデータセットにおいて最大100%の分類精度を達成する。

ABSTRACT

In this paper we introduce a new ant-based method that takes advantage of the cooperative self-organization of Ant Colony Systems to create a naturally inspired clustering and pattern recognition method. The approach considers each data item as an ant, which moves inside a grid changing the cells it goes through, in a fashion similar to Kohonen's Self-Organizing Maps. The resulting algorithm is conceptually more simple, takes less free parameters than other ant-based clustering algorithms, and, after some parameter tuning, yields very good results on some benchmark problems.

研究の動機と目的

• 従来のアリベースのアルゴリズムと比較して、人工的なパラメータを低減する生物学的にインスパイアされたクラスタリングおよび分類手法の開発。
• Kohonen自己組織化マップの自己組織化原理と、Ant Colony Optimizationのスタイグメルギー的通信を統合すること。
• グリッドベースのフェロモン環境を通じた間接的通信により、データのクラスタリングおよび分類を可能にすること。
• 特に分類が困難な高難易度のベンチマークデータセットにおける、本手法の性能を評価すること。
• 教師なし学習を伴わない最小パラメータの自己組織化アリシステムが、競争力のある結果を達成できることを示すこと。

提案手法

• 各データインスタンスは、2次元トロイダルグリッド上を移動する人工アリとしてモデル化され、各セルはフェロモンを表すn次元ベクトルを格納する。
• アリは、自身のデータベクトルに近づくように、自分が占有するセルのフェロモンベクトルを更新する。このルールは、Kohonenの学習更新に類似している。
• アリは、フェロモンベクトルが自身のデータに最も類似しているグリッドセルに引きつけられる。これにより、スタイグメルギー的相互作用を通じたクラスタリングが実現する。
• フェロモンの蒸発は動的更新プロセスによって暗黙的に管理され、停滞を防ぎ、収束を可能にする。
• 最終的なグリッド構成は、類似したデータアイテムが空間的にクラスタを形成する認知的フィールドを形成し、グリッド内での距離による近接性に基づく分類が可能になる。
• 本アルゴリズムは、フェロモン類似度に基づく確率的移動ルールを用いるが、明示的な経路構築やヒューリスティック重み付けは行わない。

実験結果

リサーチクエスチョン

• RQ1 スタイグメルギーとベクトルベースのフェロモン更新に依拠する自己組織化アリシステムは、競争力のあるクラスタリングおよび分類性能を達成できるか？
• RQ2 本手法は、高難易度の分類を要するベンチマークデータセットにおいて、KNNなどの従来の非教師あり手法と比較してどのように性能を発揮するか？
• RQ3 既存のアリベースのクラスタリングアルゴリズムと比較して、本手法が自由パラメータの数をどの程度削減できるか？
• RQ4 Kohonenに類似したベクトル更新とアリベースのスタイグメルギーを統合することで、明示的な教師なし学習なしに、自己組織化的クラスタリングが出現するか？
• RQ5 本手法の計算効率（実行時間およびスケーラビリティ）は、標準的なデータセット上でどの程度か？

主な発見

• Irisデータセットでは、すべてのテストセットでKohonAntsが100%の分類精度を達成し、複数回の実行でKNNを上回った。
• Glassデータセットでは、90tra-10tst-Set3設定において、KohonAntsの平均分類率は83.48%に達し、一部のケースでKNNを10%以上上回った。
• Pimaデータセットでは、90tra-10tst-Set3設定において、KohonAntsの平均精度は80.65%に達し、KNNの平均70.10%を顕著に上回った。
• 1.6 GHz Pentiumプロセッサを用いた場合、Irisデータセットで8秒、Glassで10秒、Pimaで20秒の実行時間であり、高い計算効率を示した。
• 複数のランダムシードに対して安定した性能を示し、結果の標準偏差が非常に低かった（例：複数の設定でIrisは0.00 ± 0.00）。
• 結果から、最小パラメータの教師なしアリベースシステムが、特に従来手法が苦戦するような挑戦的なベンチマークデータセットにおいても、競争力のある性能を達成できることを示した。