[论文解读] A neural network and iterative optimization hybrid for Dempster-Shafer clustering

Johan Schubert|ArXiv.org|May 16, 2003

Neural Networks and Applications参考文献 5被引用 3

一句话总结

该论文提出了一种混合聚类方法，结合神经网络进行快速初始聚类，并通过迭代优化细化结果，利用Dempster-Shafer理论最小化元冲突。该方法在显著提升聚类准确度的同时保持了高计算效率，相较于仅使用神经网络的方法性能更优，在性能与速度上均优于两种独立方法的组合。

ABSTRACT

In this paper we extend an earlier result within Dempster-Shafer theory ["Fast Dempster-Shafer Clustering Using a Neural Network Structure," in Proc. Seventh Int. Conf. Information Processing and Management of Uncertainty in Knowledge-Based Systems (IPMU 98)] where a large number of pieces of evidence are clustered into subsets by a neural network structure. The clustering is done by minimizing a metaconflict function. Previously we developed a method based on iterative optimization. While the neural method had a much lower computation time than iterative optimization its average clustering performance was not as good. Here, we develop a hybrid of the two methods. We let the neural structure do the initial clustering in order to achieve a high computational performance. Its solution is fed as the initial state to the iterative optimization in order to improve the clustering performance.

研究动机与目标

• 为解决基于Dempster-Shafer理论的聚类中计算速度与聚类准确度之间的权衡问题。
• 改善尽管计算速度快但平均性能较低的神经网络方法。
• 通过神经网络初始化降低计算成本，提升迭代优化方法的高准确度表现。
• 开发一种混合框架，结合神经网络与迭代优化的优势，实现更优的整体聚类性能。

提出的方法

• 使用神经网络结构通过最小化元冲突函数执行初始聚类，提供快速且近似的解决方案。
• 将神经网络的输出用作迭代优化的初始状态，以进一步优化聚类结果。
• 迭代优化从神经网络的解出发，进一步最小化元冲突函数，以提升准确度。
• 该混合方法通过两阶段过程，结合神经网络的速度与迭代优化的精度。
• 该方法在Dempster-Shafer理论框架内运行，使用信任结构表示聚类中的不确定性。
• 通过最小化元冲突函数以减少证据之间的冲突，从而提升聚类质量。

实验结果

研究问题

• RQ1 神经网络能否为Dempster-Shafer理论提供一种快速且有效的初始聚类解决方案？
• RQ2 迭代优化能否显著提升神经网络输出的聚类准确度？
• RQ3 将神经网络与迭代优化相结合是否能获得优于任一方法单独使用的表现？
• RQ4 该混合方法在基于不确定性的聚类中如何平衡计算效率与聚类准确度？

主要发现

• 与仅使用神经网络相比，混合方法在最小化元冲突方面实现了显著更高的聚类性能与准确度。
• 神经网络提供了快速的初始解，减少了迭代优化阶段所需的迭代次数。
• 迭代优化阶段成功优化了神经网络的输出，从而得到更高质量的聚类结果。
• 该混合方法在聚类准确度方面优于两种独立方法，同时保持了高计算效率。