SDC-HSDD-NDSA: Structure Detecting Cluster by Hierarchical Secondary Directed Differential with Normalized Density and Self-Adaption

要約

密度ベースのクラスタリングは、異なる (高密度) クラスタが低密度領域で分離されている限り、任意の形状のクラスタを識別できるため、最も一般的なクラスタリング アルゴリズムと言えます。
ただし、高密度領域には、異なるグループにクラスタリングする必要がある異なる構造がある可能性があるため、低密度領域によるクラスターの分離の要件は簡単ではありません。
このような状況は、これまでに知られているすべての密度ベースのクラスタリング アルゴリズムの主な欠陥、つまり高密度クラスタ内の構造を検出できないことを示しています。
したがって、この論文は、以前のものの能力を備えているだけでなく、低密度領域によって分離されていない高密度領域内の構造を検出できる密度ベースのクラスタリングスキームを提供することを目的としています。
このアルゴリズムは、二次有向微分、階層、正規化密度、および自己適応係数を使用するため、正規化密度と自己適応を備えた階層二次有向微分による構造検出クラスターと呼ばれ、略して SDC-HSDD-NDSA と呼ばれます。
。
その有効性を説明するために、いくつかのデータセットでアルゴリズムを実行します。
結果は、構造検出におけるその有効性、ノイズに対するロバスト性、および粒度の独立性を検証し、以前のものよりも優れたパフォーマンスを発揮できることを実証しました。
この論文の Python コードは、https://github.com/Hao-B-Shu/SDC-HSDD-NDSA で見つけることができます。

要約(オリジナル)

Density-based clustering could be the most popular clustering algorithm since it can identify clusters of arbitrary shape as long as different (high-density) clusters are separated by low-density regions. However, the requirement of the separateness of clusters by low-density regions is not trivial since a high-density region might have different structures which should be clustered into different groups. Such a situation demonstrates the main flaw of all previous density-based clustering algorithms we have known–structures in a high-density cluster could not be detected. Therefore, this paper aims to provide a density-based clustering scheme that not only has the ability previous ones have but could also detect structures in a high-density region not separated by low-density ones. The algorithm employs secondary directed differential, hierarchy, normalized density, as well as the self-adaption coefficient, and thus is called Structure Detecting Cluster by Hierarchical Secondary Directed Differential with Normalized Density and Self-Adaption, dubbed by SDC-HSDD-NDSA for short. To illustrate its effectiveness, we run the algorithm in several data sets. The results verify its validity in structure detection, robustness over noises, as well as independence of granularities, and demonstrate that it could outperform previous ones. The Python code of the paper could be found on https://github.com/Hao-B-Shu/SDC-HSDD-NDSA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google