[논문 리뷰] Stable and consistent density-based clustering.

Alexander Rolle, Luis Scoccola|arXiv (Cornell University)|2020. 05. 18.

Topological and Geometric Data Analysis참고 문헌 30인용 수 12

한 줄 요약

이 논문은 위상적 데이터 분석에서 유도된 지속성과 교차 거리 기반으로 안정적이고 일관된 밀도 기반 클러스터링 프레임워크를 제안한다. 이는 데이터 분포에 대한 가정 없이 입력의 변동(즉, Gromov–Hausdorff–Prokhorov 거리로 측정됨)과 파rameter 변화에 대해 안정성을 보장한다. 이 방법은 계층적 클러스터링 단순화를 통해 강건성을 확보하고, 안정적인 평면 클러스터링 알고리즘을 도출한다.

ABSTRACT

We present a multiscale, consistent approach to density-based clustering that satisfies stability theorems -- in both the input data and in the parameters -- which hold without distributional assumptions. The stability in the input data is with respect to the Gromov--Hausdorff--Prokhorov distance on metric probability spaces and interleaving distances between (multi-parameter) hierarchical clusterings we introduce. We prove stability results for standard simplification procedures for hierarchical clusterings, which can be combined with our approach to yield a stable flat clustering algorithm. We illustrate the stability of the approach with computational examples. Our framework is based on the concepts of persistence and interleaving distance from Topological Data Analysis.

연구 동기 및 목표

• 입력 데이터와 클러스터링 파rameter의 미세한 변동에 대해 안정적인 밀도 기반 클러스터링 접근법을 개발하는 것.
• 데이터에 대한 분포 가정 없이 이론적 안정성 정리 수립하는 것.
• 계층적 클러스터링과 지속성 이론을 활용해 다중 척도에서의 일관성 확보하는 것.
• 표준 단순화 절차와 호환 가능한 프레임워크를 제공하여 안정적인 평면 클러스터링을 가능하게 하는 것.
• 측도 공간과 다중 파ram터 클러스터링에 대해 새로운 거리 척도인 Gromov–Hausdorff–Prokhorov 거리와 교차 거리를 사용하여 안정성을 체계화하는 것.

제안 방법

• 이 프레임워크는 지속성 모듈과 교차 거리를 사용하여 계층적 클러스터링 간의 유사도를 측정하며, 파rameter 변화에 대한 안정성을 보장한다.
• 메트릭 확률 공간에서의 입력 데이터 변화에 대한 안정성을 확보하기 위해 Gromov–Hausdorff–Prokhorov 거리를 사용하여 변동을 정량화한다.
• 밀도 기반으로 다중 척도 계층적 클러스터링을 구성하며, 지속성 기반 필터링을 통해 의미 있는 클러스터 구조를 포착한다.
• 다중 파ram터 계층적 클러스터링 간의 새로운 교차 거리를 도입하여 클러스터링 출력의 비교 및 안정화를 가능하게 한다.
• 계층적 클러스터링에 대한 표준 단순화 절차(예: 가지치기)가 이 프레임워크 하에서 안정적임을 증명하여 강건한 평면 클러스터링을 가능하게 한다.
• 위상적 데이터 분석 도구와 밀도 기반 클러스터링을 융합하여 분포 가정 없이도 안정성을 확보하는 접근법을 제공한다.

실험 결과

연구 질문

• RQ1 밀도 기반 클러스터링은 어떻게 입력 데이터의 미세한 변동에 대해 안정화될 수 있는가?
• RQ2 특정 데이터 분포를 가정하지 않고도 클러스터링 파rameter의 변동에 대해 안정성이 보장될 수 있는가?
• RQ3 계층적 클러스터링을 비교하고 안정성 정리에 기여할 수 있는 적절한 거리 척도는 무엇인가?
• RQ4 위상적 프레임워크 내에서 계층적 클러스터링에 대한 표준 단순화 절차는 어떻게 안정화될 수 있는가?
• RQ5 지속성과 교차 거리를 활용하여 일관성 있고 다중 척도의 클러스터링 프레임워크를 구축할 수 있는가?

주요 결과

• 제안된 프레임워크는 메트릭 확률 공간에서 Gromov–Hausdorff–Prokhorov 거리로 측정된 입력 변동에 대해 안정성을 확보한다.
• 다중 파ram터 계층적 클러스터링 간의 교차 거리를 사용하여 파rameter 변화에 대한 안정성도 입증된다.
• 기본 데이터에 대한 분포 가정 없이도 이론적 안정성이 보장된다.
• 제안된 프레임워크 하에서 계층적 클러스터링에 대한 단순화 절차가 안정적임이 증명되어 신뢰할 수 있는 평면 클러스터링이 가능해진다.
• 계산 예제를 통해 데이터 변동에 대한 클러스터링 결과의 실용적 안정성이 입증된다.
• 지속성 이론과 위상 거리의 통합을 통해 강건하고 일관되며 다중 척도의 클러스터링 접근법이 가능해진다.