文献

J-GLOBAL ID：201602230146218576   整理番号：16A1152375

MapReduceを用いた大規模高次元データセットに基づくエントロピークラスタリング【Powered by NICT】

Clustering very large high-dimentional datasets based entropy with MapReduce

著者 (3件)： Luan Fangjun (Information and Control Engineering, Shenyang Jianzhu University, Shenyang, China) ,  Liu Jiadi (Information and Control Engineering, Shenyang Jianzhu University, Shenyang, China) ,  Cao Keyan (Information and Control Engineering, Shenyang Jianzhu University, Shenyang, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： ICNC-FSKD  ページ： 1210-1215  発行年： 2016年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 多数の高次元データのために,従来のDBSCANアルゴリズムがどのように対応できていない,伝統的なDBSCSNアルゴリズムは密度を計算することにより達成されるが,高次元データにおける,点対間の距離の最も類似しており,それらは計算できない。従来のDBSCANアルゴリズムは,高次元データに適合するわけではない。本論文では,基礎として伝統的なDBSCANアルゴリズムを,MapReduceフレームワークを用いたエントロピーに基づくクラスタリングアルゴリズムを提案した。最初に,空間分割と簡単なクラスタリング法を用いてデータを前処理,多数マイクロクラスタを形成し,次に,いくつかの四組を用いて,これらのマイクロクラスタを表すために,情報エントロピー,マイクロクラスタ間の距離を考慮した情報エントロピーを計算することを計算する新しい公式を提案した。異なるマイクロクラスタの合体後の情報のエントロピーを計算するためにこの式によると,最良の融合物体を選択するために,従来のDBSCANアルゴリズムは,ユーザがパラメータをカスタマイズする必要があることを検出を避けることができ,また,アルゴリズムの効率を改善するためのいくつかの種類の最適化とデータ貯蔵最適化を追加した。最後に,多くの実験を通して,MapReduceフレームワークでは,提案アルゴリズムはアルゴリズムと最終クラスタ化効果の効率に及ぼすロットを改善し実証した。Copyright 2016 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： クラスタ化 ,  カスタム化 ,  *エントロピー ,  ロット ,  前処理 ,  最適化 ,  マイクロクラスタ ,  データ蓄積 ,  アルゴリズム
準シソーラス用語： 情報エントロピー ,  クラスタリング法 ,  空間分割 ,  クラスタリングアルゴリズム ,  *高次元データ ,  *MapReduce , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： MapReduce ,  大規模 ,  高次元データ ,  エントロピー ,  クラスタリング