[论文解读] Self-organizing maps and symbolic data

Aïcha El Golli, Brieuc Conan‐Guez+1 more|ArXiv.org|Sep 22, 2007

Neural Networks and Applications参考文献 7被引用 5

一句话总结

本论文提出了一种批量自组织映射（SOM）扩展方法，直接基于相异度度量而非原始向量进行运算，从而实现对符号数据（如区间值数据）的聚类与可视化。通过使用核加权的平方相异度和重新定义SOM的代价函数，该方法保持了拓扑结构并实现了较低的地理失真度，其中Hausdorff距离在气象站数据的空间聚类中表现最为准确。

ABSTRACT

In data analysis new forms of complex data have to be considered like for example (symbolic data, functional data, web data, trees, SQL query and multimedia data, ...). In this context classical data analysis for knowledge discovery based on calculating the center of gravity can not be used because input are not $\mathbb{R}^p$ vectors. In this paper, we present an application on real world symbolic data using the self-organizing map. To this end, we propose an extension of the self-organizing map that can handle symbolic data.

研究动机与目标

• 解决经典SOM依赖向量数据和质心计算的局限性，后者无法处理区间或分布等符号数据。
• 将批量SOM算法扩展至任意相异度空间，而非仅限于R^p，从而拓展其在复杂数据类型上的应用。
• 在真实世界的符号数据上（具体为265个中国气象站的月度温度区间）验证该方法的有效性。
• 通过地理失真度指标，比较不同相异度度量（Hausdorff、欧氏、顶点型）在聚类质量与空间保真度方面的表现。

提出的方法

• 用个体参照集A_c替代SOM中标准的向量表示，其中每个A_c为输入集Ω中数据点的集合，用于表示神经元。
• 定义新的适宜度函数d^T(z_i, A_c)，计算输入z_i与参照集A_c中所有点之间相异度的核加权平方和，使用邻域核K^T(δ)平滑空间影响。
• 采用代价函数E(f, A) = Σ_z_i d^T(z_i, A_f(z_i)) 衡量总适宜度，并通过交替分配与表示步骤最小化该函数。
• 在表示步骤中，通过独立地对每个神经元最小化E_r（基于核加权相异度和计算）来更新每个神经元的参照集A_c。
• 采用高斯型核K^T(δ) = exp(-δ²/T²) 控制邻域大小，其中T为类似温度的参数。
• 通过定义适当的相异度度量（如Hausdorff、欧氏、顶点型距离）将该方法应用于区间值数据。

实验结果

研究问题

• RQ1 自组织映射能否有效适应处理符号数据（如区间值观测），其中传统质心计算方法不适用？
• RQ2 当应用于区间值温度数据时，基于相异度的SOM在不同相异度度量下的性能表现如何？
• RQ3 所得聚类在多大程度上保持了地理空间结构？哪种度量能产生最符合地理一致性的聚类？
• RQ4 所提出的基于相异度学习的批量SOM能否在真实世界的符号数据上生成有意义且拓扑保持的聚类？

主要发现

• Hausdorff距离产生的地理失真度最低，经度失真为7.38314，纬度失真为1.911461，优于其他度量。
• 在区间数据上使用欧氏距离的经度失真为9.250688，纬度失真为1.993213，表明其空间保真度低于Hausdorff度量。
• 顶点型距离的经度失真为8.625175，纬度失真为2.165838，准确度排名第二。
• 使用均值温度的非符号表示方式的经度失真为7.656033，纬度失真为1.936692，略优于顶点型但劣于Hausdorff。
• 最终地图显示出清晰的地理梯度：中国北部和西部的冷区气象站被聚为一组，而南部和东南部的暖区、高变异性站点则聚集在一起，证实纬度是温度变化的主要影响因素。
• 该方法成功将265个气象站可视化并聚类为30个拓扑有序的聚类，每个聚类对应一个参照站，并呈现出一致的区域模式。