[論文レビュー] Linear density-based clustering with a discrete density model

Roberto Pirrone, Vincenzo Cannella+2 more|arXiv (Cornell University)|Jul 21, 2018

Data Management and Algorithms参考文献 35被引用数 5

ひとこと要約

本論文は、線形時間の密度ベースクラスタリングアルゴリズムであるLin-DBSCANを提案する。この手法は、離散グリッドベースの密度モデルを用いることで、地理空間データに対してO(n)の時間計算量を達成し、DBSCANに比べて著しく高速化される一方で、クラスタリングの品質を維持する。この方法は、DBSCANの近隣探索をグリッド走査とマージ戦略に置き換えることで、リソースが制限されたデバイス上でもリアルタイム性能を実現し、クラスタ精度を損なわない。

ABSTRACT

Density-based clustering techniques are used in a wide range of data mining applications. One of their most attractive features con- sists in not making use of prior knowledge of the number of clusters that a dataset contains along with their shape. In this paper we propose a new algorithm named Linear DBSCAN (Lin-DBSCAN), a simple approach to clustering inspired by the density model introduced with the well known algorithm DBSCAN. Designed to minimize the computational cost of density based clustering on geospatial data, Lin-DBSCAN features a linear time complexity that makes it suitable for real-time applications on low-resource devices. Lin-DBSCAN uses a discrete version of the density model of DBSCAN that takes ad- vantage of a grid-based scan and merge approach. The name of the algorithm stems exactly from its main features outlined above. The algorithm was tested with well known data sets. Experimental results prove the efficiency and the validity of this approach over DBSCAN in the context of spatial data clustering, enabling the use of a density-based clustering technique on large datasets with low computational cost.

研究の動機と目的

• DBSCANの高い計算コスト、特にリアルタイムおよびリソースが制限されたアプリケーションにおける課題に対処すること。
• 形状に依存しない特性とノイズ検出能力を保持しつつ、線形時間計算量を持つクラスタリングアルゴリズムを開発すること。
• ロボットビジョンにおける深度センサからのデータなど、大規模な地理空間データセットにおける効率的クラスタリングを実現すること。
• リアルタイムコンピュータビジョンおよび組み込みシステムにおけるDBSCANの実用的代替手段を提供すること。
• 離散的密度モデルを用いることで、実行時間を著しく短縮しつつもクラスタリング品質を維持すること。

提案手法

• アルゴリズムは入力空間を均一で規則的なセルに離散化するスパースグリッドを用いる。各セルは空間的なビンを表す。
• 各グリッドセルは、その境界内に含まれる点の数を格納し、離散的密度表現を形成する。
• 隣接するグリッドセルが最小点数閾値（MinPts）を満たす場合、連結成分ラベリング戦略を用いてクラスタをマージする。
• 近隣クエリは直接的なグリッドセルアクセスに置き換えられ、高価な距離計算が不要になる。
• アルゴリズムはグリッドを1回のスキャンで処理するため、2次元および3次元空間データに対してO(n)の時間計算量を達成する。
• データ分布とグリッド解像度に基づいて、パラメータ推定（EpsとMinPts）のヒューリスティックが適用される。

実験結果

リサーチクエスチョン

• RQ1 離散的密度モデルを用いることで、クラスタリングの品質を維持しつつ、密度ベースクラスタリングにおける線形時間計算量を達成できるか？
• RQ2 実世界の地理空間データセットにおいて、Lin-DBSCANはDBSCANに比べて実行時間とクラスタリング精度でどの程度優れているか？
• RQ3 グリッドベースの近似処理は、元のDBSCANと比較して、クラスタリング結果にどの程度の影響を及ぼすか？
• RQ4 Lin-DBSCANは、高フレームレートのデータを扱うロボットビジョンのようなリアルタイムアプリケーションに効果的に統合できるか？
• RQ5 Lin-DBSCANはパラメータの選択にどの程度感受的であり、自動設定に適した堅牢なヒューリスティックを導出できるか？

主な発見

• S-Easyデータセットでは、Lin-DBSCANが18.39 FPSを達成したのに対し、DBSCANは17.49 FPSであった。これは明確な性能向上を示している。
• Lin-DBSCANの平均クラスタリング時間は1フレームあたり0.0025秒であり、DBSCANの0.0027秒よりもわずかに高速であった。
• 近似処理が行われても、内部および外部の評価指標による検証結果から、Lin-DBSCANのクラスタリング結果はDBSCANとほぼ同一の品質を示した。
• データセットが大きくなるほど、Lin-DBSCANとDBSCANの性能差が拡大した。これは、大規模データ処理におけるスケーラビリティの優位性を示している。
• フレーム間で一貫した性能を維持しており、システムレベルの干渉による急激なスパイクも最小限に抑えられており、耐障害性が確認された。
• リアルタイムロボットビジョンパイプラインへのLin-DBSCAN統合により、衝突回避機能が保持された一方で、フレームレートが向上した。