[論文レビュー] Towards Fuzzy-Hard Clustering Mapping Processes

Minyar Sassi Hidri|arXiv (Cornell University)|Apr 14, 2012

Advanced Clustering Algorithms Research参考文献 14被引用数 4

ひとこと要約

本論文は、ファジィクラスタリングの検証および最適化技術をハードクラスタリングに移行させる、新規のファジィ・ハードクラスタリングマッピングフレームワークを提案する。局所的および包括的な評価指標、適応的マージ/スプリット、自動化アルゴリズムを通じて、パーティション品質を向上させる。主な貢献は、ファジィアプローチの頑健性を活用するが、ファジィ所属度割り当てを必要としない、ハードクラスタリング結果を体系的に改善する手法である。

ABSTRACT

Although the validation step can appear crucial in the case of clustering adopting fuzzy approaches, the problem of the partition validity obtained by those adopting the hard ones was not tackled. To cure this problem, we propose in this paper fuzzy-hard mapping processes of clustering while benefitting from those adopting the fuzzy case. These mapping processes concern: (1) local and global clustering evaluation measures: the first for the detection of the "worst" clusters to merging or splitting them. The second relates to the evaluation of the obtained partition for each iteration, (2) merging and splitting processes taking into account the proposed measures, and (3) automatic clustering algorithms implementing these new concepts.

研究の動機と目的

• ハードクラスタリングにおける厳密な検証の欠如に起因する、体系的な評価メカニズムの欠如を是正すること。
• 有効なファジィクラスタリングの検証および最適化技術を、ハードクラスタリングフレームワークに移行させること。
• ファジィインスパイアドの評価指標を用いて、動的にパーティションを調整する自動化されたクラスタリングアルゴリズムの開発。
• 局所的および包括的なクラスタリング品質指標に従って誘導されるマージおよびスプリットプロセスの導入。
• ファジィクラスタリングとハードクラスタリングの間のギャップを埋め、ハードクラスタリングがファジィクラスタリングのパーティション評価における頑健性の利点を活用できるようにすること。

提案手法

• マージまたはスプリットの対象となる poorly formed クラスタを特定するための局所的クラスタリング評価指標を導入。
• 各イテレーションにおけるパーティション全体の品質を評価するための包括的クラスタリング評価指標を開発。
• 提案された局所的および包括的評価スコアに駆動されるマージおよびスプリット操作を設計。
• 評価および調整プロセスを繰り返し統合する自動クラスタリングアルゴリズムを構築。
• メンバーーシップに基づく検証などのファジィクラスタリングの原則を、クリップなハードクラスタ割り当てに適用。
• クラスタが包括的パーティション品質スコアに与える寄与度に基づいて、繰り返しの改善を実施。

実験結果

リサーチクエスチョン

• RQ1 ファジィクラスタリングの検証技術を、ハードクラスタリングに効果的にマッピングする方法は何か？
• RQ2 ハードクラスタリングにおける知的なマージおよびスプリットを誘導するための、どのような局所的および包括的評価指標が有効か？
• RQ3 ファジィインスパイアドの評価指標を用いて、自動化されたハードクラスタリングアルゴリズムを設計できるか？
• RQ4 提案されたマッピングプロセスは、標準的手法と比較して、ハードクラスタリングの頑健性および正確性をどのように向上させるか？
• RQ5 ファジィ由来の指標に従って誘導される繰り返しマージおよびスプリットが、クラスタリングの収束性および安定性に与える影響は何か？

主な発見

• 提案されたファジィ・ハードマッピングフレームワークは、ファジィクラスタリングからハードクラスタリングへの検証メカニズムの移行に成功し、パーティション品質を向上させた。
• 局所的評価指標は、最適でないクラスタを効果的に特定し、クラスタリング構造の向上に向けた的確なマージまたはスプリットを可能にした。
• 包括的評価指標は、イテレーション全体にわたるパーティション品質の信頼性の高い指標を提供し、収束の監視を支援した。
• ファジィインスパイアドの指標に基づくマージおよびスプリットプロセスの統合により、より安定的かつ正確なクラスタパーティションが得られた。
• これらのコンポーネントを統合した自動クラスタリングアルゴリズムは、従来のハードクラスタリング手法と比較して、改善されたパフォーマンスを示した。
• 本手法により、ファジィ所属度表現を必要とせずに、ファジィクラスタリングの検証の頑健性と同等の結果をハードクラスタリングが達成できるようになった。