Towards Initialization-Agnostic Clustering with Iterative Adaptive Resonance Theory

要約

ファジー適応共鳴理論（ファジーアート）のクラスタリングパフォーマンスは、その価値の逸脱がクラスタリング結果の大幅な変動につながり、非専門家の実用性を厳しく制限する可能性があるプリセット警戒パラメーターに大きく依存しています。
既存のアプローチは、一般に、粒子群の最適化やファジーロジックルールなどの適応メカニズムを通じて、警戒パラメーターの堅牢性を高めます。
ただし、多くの場合、アルゴリズムの元のシンプルさと矛盾する追加のハイパーパラメーターまたは複雑なフレームワークを導入します。
これに対処するために、3つの重要なフェーズを統一された反復フレームワークに統合する反復改良適応共鳴理論（IR-ART）を提案します。
（2）不安定なクラスター削除：低品質のクラスターを排除する進化的剪定モジュール。
（3）警戒地域の拡大：類似性のしきい値を適応的に調整する警戒地域の拡張メカニズム。
クラスタリングの特定の実行とは無関係に、これらの3つのフェーズは、反復プロセス内の暗黙の知識の分析、重みと警戒パラメーターの調整、それにより次の反復の基礎を築くことに順番に焦点を当てています。
15のデータセットでの実験的評価は、IR-ARTがファジーアートのパラメーターの単純さを維持しながら、最適ではない警戒パラメーター値に対する耐性を改善することを示しています。
ケーススタディは、反復的な改良を通じてアルゴリズムの自己最適化能力を視覚的に確認し、リソースに制約のあるシナリオの非専門家に特に適しています。

要約(オリジナル)

The clustering performance of Fuzzy Adaptive Resonance Theory (Fuzzy ART) is highly dependent on the preset vigilance parameter, where deviations in its value can lead to significant fluctuations in clustering results, severely limiting its practicality for non-expert users. Existing approaches generally enhance vigilance parameter robustness through adaptive mechanisms such as particle swarm optimization and fuzzy logic rules. However, they often introduce additional hyperparameters or complex frameworks that contradict the original simplicity of the algorithm. To address this, we propose Iterative Refinement Adaptive Resonance Theory (IR-ART), which integrates three key phases into a unified iterative framework: (1) Cluster Stability Detection: A dynamic stability detection module that identifies unstable clusters by analyzing the change of sample size (number of samples in the cluster) in iteration. (2) Unstable Cluster Deletion: An evolutionary pruning module that eliminates low-quality clusters. (3) Vigilance Region Expansion: A vigilance region expansion mechanism that adaptively adjusts similarity thresholds. Independent of the specific execution of clustering, these three phases sequentially focus on analyzing the implicit knowledge within the iterative process, adjusting weights and vigilance parameters, thereby laying a foundation for the next iteration. Experimental evaluation on 15 datasets demonstrates that IR-ART improves tolerance to suboptimal vigilance parameter values while preserving the parameter simplicity of Fuzzy ART. Case studies visually confirm the algorithm’s self-optimization capability through iterative refinement, making it particularly suitable for non-expert users in resource-constrained scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google