[論文レビュー] Nonparametric Nearest Neighbor Descent Clustering based on Delaunay Triangulation

Teng Qiu, Yongjie Li|arXiv (Cornell University)|Feb 17, 2015

Advanced Clustering Algorithms Research参考文献 20被引用数 3

ひとこと要約

本稿では、パラメータを事前に定義することなく、局所的ポテンシャル値を計算するためのデローニ三角形分割を用いた非パrametricクラスタリング手法を提案する。最近隣降下法に基づく堅牢なクラスタリングを実現する。この手法は三角形分割による幾何的近接性を活用してクラスタを同定し、局所的極値に対して感受性が低く、複雑な非パrametricなデータ構造において勾配ベースの手法を上回ることを示している。

ABSTRACT

In our physically inspired in-tree (IT) based clustering algorithm and the series after it, there is only one free parameter involved in computing the potential value of each point. In this work, based on the Delaunay Triangulation or its dual Voronoi tessellation, we propose a nonparametric process to compute potential values by the local information. This computation, though nonparametric, is relatively very rough, and consequently, many local extreme points will be generated. However, unlike those gradient-based methods, our IT-based methods are generally insensitive to those local extremes. This positively demonstrates the superiority of these parametric (previous) and nonparametric (in this work) IT-based methods.

研究の動機と目的

• ポテンシャル値計算における自由パrameterに依存しない非パrametricクラスタリング手法の開発。
• デローニ三角形分割とボロノイタイル化を活用し、クラスタリングに向けた局所的幾何的情報を抽出すること。
• 勾配ベースの最適化を避けることで、局所的極値に対する耐性を高めること。
• 内在的な幾何的性質を用いて、in-tree (IT) クラスタリングフレームワークを非パrametricな設定に拡張すること。
• 三角形分割による幾何的近接性が、自然なクラスタ構造を効果的に特定できることの実証。

提案手法

• 各データポイントの局所的近傍をデローニ三角形分割に基づいて評価し、幾何的近接性のみを用いてポテンシャル値を計算する。
• ボロノイタイル化の双対構造を活用して、各ポイントの周囲の局所的領域を定義し、ポテンシャル計算に用いる。
• 計算されたポテンシャル値に従って、最近隣降下戦略に従うクラスタリングプロセスを実行する。
• ポテンシャル関数の計算に自由パラメータのチューニングを必要としないため、非パラメトリックである。
• 局所的極値点をクラスタ中心として受け入れるが、その存在に対しても本手法は耐性を示す。
• 高いポテンシャルを持つ点をクラスタシードとして扱う物理モデルにインspiredされたアプローチである。

実験結果

リサーチクエスチョン

• RQ1 デローニ三角形分割は、クラスタリングにおける局所的ポテンシャル値を計算するための信頼性があり、パラメータフリーな方法を提供できるか？
• RQ2 三角形分割に基づく非パラメトリックなポテンシャル計算は、局所的極値に対するクラスタリングの耐性にどのように影響するか？
• RQ3 パラメトリックなポテンシャル計算から非パラメトリックな計算に移行した場合、ITベースのクラスタリングフレームワークの性能はどの程度維持されるか？
• RQ4 デローニ三角形分割による幾何的近接性は、複雑なデータにおいて自然なクラスタ構造を効果的に明らかにできるか？
• RQ5 本手法は勾配ベースのクラスタリング手法と比較して、安定性と正確性の面でどの程度優れているか？

主な発見

• デローニ三角形分割に基づく非パラメトリックなポテンシャル計算は、自由パラメータを必要とせず、クラスタ中心を的確に特定できた。
• 多数の局所的極値が存在しても本手法は耐性を示し、勾配ベースの代替手法と比較して優れた安定性を示した。
• ボロノイタイル化の活用により、局所的近傍の表現が向上し、クラスタリングの精度が向上した。
• 本手法はin-tree (IT) フレームワークの核心的な利点を維持するとともに、非パラメトリックな設定へと拡張した。
• 実験的結果から、本手法は複雑で非球形の構造を示すデータに対しても効果的にクラスタリングを実行できることを示した。
• 幾何的基礎に立つため、多様なデータセットにおいて安定したクラスタリング性能を発揮した。