文献

J-GLOBAL ID：201802264218025358   整理番号：18A0838085

密度ピークの高速探索と発見による共有最近傍ベースクラスタリング【JST・京大機械翻訳】

Shared-nearest-neighbor-based clustering by fast search and find of density peaks

著者 (7件)： Liu Rui (School of Information Science and Engineering, Shandong Normal University, Jinan, Shandong 250358, China) ,  Wang Hong (School of Information Science and Engineering, Shandong Normal University, Jinan, Shandong 250358, China) ,  Wang Hong (Shandong Provincial Key Laboratory for Distributed Computer Software Novel Technology, Jinan, Shandong 250014, China) ,  Wang Hong (Institute of Life Science, Shandong Normal University, Jinan, Shandong 250014, China) ,  Yu Xiaomei (School of Information Science and Engineering, Shandong Normal University, Jinan, Shandong 250358, China) ,  Yu Xiaomei (Shandong Provincial Key Laboratory for Distributed Computer Software Novel Technology, Jinan, Shandong 250014, China) ,  Yu Xiaomei (Institute of Life Science, Shandong Normal University, Jinan, Shandong 250014, China)
資料名： Information Sciences  (Information Sciences)
巻： 450  ページ： 200-226  発行年： 2018年 
JST資料番号： D0636A  ISSN： 0020-0255  CODEN： ISIJBC  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 高速探索と密度ピーク(DPC)の発見によるクラスタ化は,2014年6月に科学で報告された新しいクラスタリング法である。このクラスタリングアルゴリズムは,クラスタ中心が高い局所密度を持ち,一般的に互いに遠いという仮定に基づいている。決定グラフにより,クラスタ中心は容易に位置できる。しかし,このアプローチはある種の欠点がある。第一に,局所密度と距離測定の定義は,非常に単純である。したがって,DPCアルゴリズムは,多重スケール,交差巻線,様々な密度の,または高次元の複雑なデータセットに関して,不十分に機能するかもしれない。第二に,一段階割当戦略はロバストでなく,耐故障性が低い。従って,点が不正確に割り当てられるならば,その後の配分は誤差をさらに増幅し,より多くの誤差をもたらし,それはクラスタリング結果に対して厳しい負の影響を持つであろう。第3に,カットオフ距離d_cは,各属性の範囲がほとんどの場合に未知であるので,一般的に決定するのが困難である。正規化されているか,または相対的パーセント法を用いても,d_cにおける小さな変化は,結果において顕著な変動を引き起こすであろう。そして,これは,特に実世界のデータセットに対して本当である。これらの欠点を考慮して,高速探索と密度ピーク(SNN-DPC)アルゴリズムの発見による共有最近傍ベースのクラスタリングを提案した。著者らは,SNN類似性,局所密度ρ,および最も近い密度点δからの距離の3つの新しい定義を提示した。これらの定義は最近傍と共有近傍の情報を考慮し,それらは局所環境に自己適応できる。次に,著者らは,著者らの二段階配置方法を導入した。必然的に従属して,おそらく従属した。前者は速く正確に認識し,2つの点の間の共有された隣人の数を数えることによって確実に1つのクラスタに属する点を割り当てる。後者は,より多くの近傍が属するクラスタを見つけることによって残りの点を割り当てる。このアルゴリズムは公開されている合成データセット,UCI実世界データセットおよびOlivetti Facesデータセット上でベンチマーク化されており,クラスタリングアルゴリズムの性能をテストするためにしばしば用いられている。これらの結果をDPC,ファジィ重み付きK最近傍密度ピーククラスタ化(FKN-DPC),親和性伝搬(AP),クラスタ化構造(OPTICS)を同定するための順序付け点,雑音(DBSCAN)による応用の密度ベース空間クラスタ化,およびK平均と比較した。使用した計量は,相互情報(AMI),調整Rand指数(ARI),およびFowlkes-Mable指数(FMI)を調整した。実験結果は,著者らの方法がそれらのサイズ,形状,および次元にかかわらずクラスタを認識できることを証明した。雑音に対してロバストである。そして,DPC,FKN-DPC,AP,OPTICS,DBSCAN,およびK-平均より著しく優れている。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 雑音 ,  ベンチマーク ,  フォールトトレランス ,  距離測定 ,  正規化 ,  類似性 ,  ロバスト性 ,  クラスタ化 ,  親和性 ,  高次元 ,  アルゴリズム ,  *クラスタ ,  曖昧さ
準シソーラス用語： *近傍 ,  クラスタリングアルゴリズム , 【Automatic Indexing@JST】

著者キーワード (5件)： クラスタリング ,  共有最近傍 ,  密度ピーク ,  高速探索クラスタリング ,  局所密度

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 密度 ,  高速探索 ,  発見 ,  共有 ,  クラスタリング