[논문 리뷰] Towards combinatorial clustering: preliminary research survey

Mark Sh. Levin|arXiv (Cornell University)|2015. 05. 28.

Data Management and Algorithms인용 수 6

한 줄 요약

이 논문은 조합 최적화 프레임워크를 제안하여 다양한 클러스터링 모델을 통합하는 조합 최적화 문제를 위한 통합적 접근을 제시한다. 클러스터링을 잘 알려진 조합 최적화 문제들(예: 배정, 분할, 배낭 문제)을 조합하여 복합 문제로 공식화하며, 네트워크 설계, 의료 진단, 안테나 스케줄링 등의 분야에서 수치 예제를 통해 적용 사례를 제시하여 확장 가능하고 모듈러한 클러스터링 소프트웨어 및 의사결정 지원 시스템 구축에 유용함을 보여준다.

ABSTRACT

The paper describes clustering problems from the combinatorial viewpoint. A brief systemic survey is presented including the following: (i) basic clustering problems (e.g., classification, clustering, sorting, clustering with an order over cluster), (ii) basic approaches to assessment of objects and object proximities (i.e., scales, comparison, aggregation issues), (iii) basic approaches to evaluation of local quality characteristics for clusters and total quality characteristics for clustering solutions, (iv) clustering as multicriteria optimization problem, (v) generalized modular clustering framework, (vi) basic clustering models/methods (e.g., hierarchical clustering, k-means clustering, minimum spanning tree based clustering, clustering as assignment, detection of clisue/quasi-clique based clustering, correlation clustering, network communities based clustering), Special attention is targeted to formulation of clustering as multicriteria optimization models. Combinatorial optimization models are used as auxiliary problems (e.g., assignment, partitioning, knapsack problem, multiple choice problem, morphological clique problem, searching for consensus/median for structures). Numerical examples illustrate problem formulations, solving methods, and applications. The material can be used as follows: (a) a research survey, (b) a fundamental for designing the structure/architecture of composite modular clustering software, (c) a bibliography reference collection, and (d) a tutorial.

연구 동기 및 목표

• 다양한 클러스터링 모델을 동일한 조합 최적화 구조 아래 통합하는 일반화된 모듈러 프레임워크를 구축하기.
• 기존 클러스터링 방법의 한계를 보완하기 위해 클러스터링을 다기준 최적화 및 조합 문제 공식화에 통합하기.
• 표준화된 문제 해결 구성 요소를 기반으로 복합적이고 모듈러한 클러스터링 소프트웨어 아키텍처 설계를 가능하게 하기.
• 구조적이고 재사용 가능한 문제 프레임워크를 통해 대규모 및 동적 클러스터링 응용을 지원하기.
• 데이터 마이닝 및 인공지능 분야의 의사결정 지원 도구 및 교육적 응용을 위한 기반 마련하기.

제안 방법

• 클러스터링을 다기준 최적화 문제로 공식화하여 국소 클러스터와 전역 솔루션의 품질 측정 기준을 통합한다.
• 배정, 분할, 배낭, 다중 선택, 형태학적 클리크 문제 등의 보조 조합 최적화 문제를 클러스터링 솔루션의 구성 요소로 활용한다.
• 클러스터링을 단계별로 분해하는 계층적이고 모듈러한 프레임워크를 도입: 객체 간 밀도 평가, 클러스터 평가, 솔루션 통합.
• 최소 스패닝 트리, 클리크, 네트워크 커뮤니티 등의 그래프 이론적 방법을 활용해 클러스터링 문제를 모델링하고 해결한다.
• 다중 클러스터링 솔루션 간 비교 및 융합을 위해 공감대/중심값 탐색 기법과 구조적 집계 기법을 사용한다.
• 반복적 재구성, 궤적 분석, 다단계 최적화를 통해 대규모 네트워크에서 빠른 클러스터링 기법을 개발한다.

실험 결과

연구 질문

• RQ1 다양한 클러스터링 접근 방식을 통합하기 위해 클러스터링 문제를 체계적으로 조합 최적화 문제로 모델링하는 방법은 무엇인가?
• RQ2 다기준 최적화는 클러스터링 솔루션의 품질 평가 및 의사결정 지원에 어떤 역할을 하는가?
• RQ3 확장 가능하고 재사용 가능한 클러스터링 소프트웨어 아키텍처를 지원하기 위해 어떻게 모듈러하고 복합적인 문제 프레임워크를 설계할 수 있는가?
• RQ4 재구성 및 궤적 분석은 변화하는 데이터 환경에서 클러스터링의 강건성을 어떻게 향상시킬 수 있는가?
• RQ5 통신 시스템, 의료 진단, 네트워크 설계와 같은 실생활 분야에서 조합 클러스터링 모델을 효과적으로 적용하는 방법은 무엇인가?

주요 결과

• 논문은 할당 및 분할과 같은 잘 알려진 조합 최적화 모델을 활용하여 클러스터링을 복합 문제로 체계적으로 공식화함으로써 솔루션 설계의 체계성을 확보했다.
• 수치 예제를 통해 그래프 매칭 및 공감대 방법을 통한 다중 클러스터링 솔루션 통합이 솔루션의 강건성과 품질을 향상시킴을 입증했다.
• 계층적이고 모듈러한 프레임워크는 대규모 네트워크에서의 확장 가능한 클러스터링을 가능하게 하였으며, 간섭 최소화 및 하중 균형 분포를 확보한 다중빔 안테나 스케줄링 사례에서 이를 입증했다.
• 구간 다중집합 추정 및 재구성 모델의 사용은 클러스터링 입력의 불확실성과 동적 변화에 대해 탄력적인 대응을 가능하게 하였다.
• 구조적이고 재사용 가능한 아키텍처를 제공함으로써 의사결정 지원 도구 및 교육적 응용 개발을 위한 기반을 마련하였다.
• 통합된 조합 모델링을 통해 사회적 네트워크 분석, 의료 진단, VLSI 설계와 같은 복잡한 분야에서 효과적인 클러스터링을 가능하게 하였다.