A Parameter-free Adaptive Resonance Theory-based Topological Clustering Algorithm Capable of Continual Learning

要約

タイトル：パラメータフリーな適応共鳴理論ベースのトポロジカルクラスタリングアルゴリズム

要約：

– 一般的に、適応共鳴理論（ART）ベースのアルゴリズムにおいて、ノード学習プロセスの類似性閾値（つまり、警戒パラメータ）はクラスタリングパフォーマンスに重要な影響を与える。
– さらに、トポロジカルクラスタリングアルゴリズムにおいては、エッジ削除閾値が自己組織化プロセス中に適応的によく分離されたクラスターを生成することに重要な役割を果たす。
– 本論文では、パラメータ推定手法を導入することで、パラメータを事前に指定することなく、継続的な学習が可能な新たなパラメータフリーなARTベースのトポロジカルクラスタリングアルゴリズムを提案する。
– 合成データセットおよび実世界データセットに対する実験結果は、提案アルゴリズムが事前にパラメータを指定することなく、既存のクラスタリングアルゴリズムよりも優れたクラスタリングパフォーマンスを持つことを示している。

要約(オリジナル)

In general, a similarity threshold (i.e., a vigilance parameter) for a node learning process in Adaptive Resonance Theory (ART)-based algorithms has a significant impact on clustering performance. In addition, an edge deletion threshold in a topological clustering algorithm plays an important role in adaptively generating well-separated clusters during a self-organizing process. In this paper, we propose a new parameter-free ART-based topological clustering algorithm capable of continual learning by introducing parameter estimation methods. Experimental results with synthetic and real-world datasets show that the proposed algorithm has superior clustering performance to the state-of-the-art clustering algorithms without any parameter pre-specifications.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI