$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

분류 오류 최소화를 위한 클러스터링 기법
A New Clustering Method for Minimum Classification Error 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.19 no.7, 2014년, pp.1 - 8  

허경용 (동의대학교 전자공학과) ,  김성훈 (경북대학교 컴퓨터정보학부)

초록
AI-Helper 아이콘AI-Helper

클러스터링은 대표적인 비교사 학습 방법의 하나로 균일한 특성을 가지는 데이터를 군집으로 묶기 위해 사용된다. 균일한 특성을 가지는 데이터 부분집합을 문맥으로 정의하고 문맥 내에서 국부적으로 분류를 행하는 융합 방법이 사용되고 있지만 클러스터링은 비교사 학습 방법이라는 한계로 인해 클러스터링 결과로 만들어지는 문맥이 분류에 있어 최선임을 보장하기 어렵다. 이 논문에서는 생성된 클러스터를 문맥으로 가정하고 각 문맥에서 분류를 시행하는 경우 최소의 오류를 보일 수 있는, 분류를 고려한 클러스터링 기법을 제안한다. 제안하는 방법은 선형 판별 분석에서와 유사하게 클러스터 내 동일한 클래스에 속하는 데이터 쌍은 작은 거리 값을, 서로 다른 클래스에 속하는 데이터 쌍은 큰 거리 값을 가지도록 하기 위한 제약 조건을 적용하여 분류 오류를 줄이도록 하였다. 제안한 방법의 실효성은 실험 결과를 통해 확인할 수 있다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Clustering is one of the most popular unsupervised learning methods, which is widely used to form clusters with homogeneous data. Clustering was used to extract contexts corresponding to clusters and a classification method was applied to each context or cluster individually. However, it is difficul...

주제어

#클러스터링   #교사 클러스터링   #문맥   #분류  

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 하지만 클러스터링은 비교사 학습 방법이고 융합은 교사 학습 방법이므로 비교사 학습 방법의 결과를 교사 학습을 위해 적용하는 것은 최적의 결과를 보장하기 어렵다. 따라서 이 논문에서는 기존에 널리 사용되는 클러스터링 알고리듬인 FCM에 분류 오류를 최소화하는 제약 조건을 첨가하여 WCD-FC을 제안하였다. 제안한 알고리듬은 분리된 클러스터, 즉, 문맥에서 FCM에 비해 분류 오류를 최소화할 수 있도록 보다 직관적인 클러스터를 형성함을 실험 결과를 통해 확인하였다.
  • 이 논문에서는 분류의 관점에서 최적의 클러스터링을 수행하는 새로운 클러스터링 기법, 특히 융합을 위한 문맥 분할의 방법으로서의 클러스터링 기법을 제안한다. 융합은 전체 특징공간을 균일한 여러 개의 부분공간 또는 문맥으로 나누고 각 부분공간에서 하나 이상의 분류기를 선택적으로 적용하는 방법으로 특정 부분공간에서 우수한 성능을 보이는 분류기가 존재한다는 사실에 근거하고 있다[7].
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
융합은 어떠한 사실에 근거하고 있는가? 이 논문에서는 분류의 관점에서 최적의 클러스터링을 수행하는 새로운 클러스터링 기법, 특히 융합을 위한 문맥 분할의 방법으로서의 클러스터링 기법을 제안한다. 융합은 전체 특징 공간을 균일한 여러 개의 부분공간 또는 문맥으로 나누고 각 부분공간에서 하나 이상의 분류기를 선택적으로 적용하는 방법으로 특정 부분공간에서 우수한 성능을 보이는 분류기가 존재한다는 사실에 근거하고 있다[7]. 이전 방법에서는 FCM 을 이용하여 특징공간을 분할하였지만 FCM은 비교사 클러스터링으로 특징값이 비슷한 데이터들로 클러스터를 형성하기 때문에 생성된 부분공간에 분류기를 적용할 경우 오류값을 최소화할 수 있다는 보장은 없다.
클러스터링은 어디에 사용되는가? 클러스터링은 대표적인 비교사 학습 방법의 하나로 균일한 특성을 가지는 데이터를 군집으로 묶기 위해 사용된다. 균일한 특성을 가지는 데이터 부분집합을 문맥으로 정의하고 문맥 내에서 국부적으로 분류를 행하는 융합 방법이 사용되고 있지만 클러스터링은 비교사 학습 방법이라는 한계로 인해 클러스터링 결과로 만들어지는 문맥이 분류에 있어 최선임을 보장하기 어렵다.
본 논문에서는 어떤 문제를 해결하기 위해 WCD-FC가 제안되었나? 클러스터링은 대표적인 비교사 학습 방법으로서 다양한 분야에 적용되고 있으며 융합을 위한 문맥 결정도 그 중 하나이다. 하지만 클러스터링은 비교사 학습 방법이고 융합은 교사 학습 방법이므로 비교사 학습 방법의 결과를 교사 학습을 위해 적용하는 것은 최적의 결과를 보장하기 어렵다. 따라서 이 논문에서는 기존에 널리 사용되는 클러스터링 알고리듬인 FCM에 분류 오류를 최소화하는 제약 조건을 첨가하여 WCD-FC을 제안하였다.
질의응답 정보가 도움이 되었나요?

참고문헌 (13)

  1. L. A. Zadeh, "Fuzzy sets, " Information and Control, Vol. 8, No. 3, pp. 338-353, June 1965. 

    상세보기 crossref

  2. E. H. Ruspini, "A new approach to clustering, " Information and Control, Vol. 15, No. 1, pp. 22-32, July 1969. 

    상세보기 crossref

  3. Rui Xu and Donald Wunsch II, "Survey of Clustering Algorithms, " IEEE Transactions on Neural Networks, Vol. 16, No. 3, pp. 645-678, May 2005. 

    상세보기 crossref

  4. J. C. Dunn, "A fuzzy relative of the ISODATA process and its use in detecting compact well separated clusters, " Journal of Cybernetics, Vol. 3, No. 3, pp. 32-57, Apr. 1974. 

  5. J. C. Bezdek, "Pattern Recognition with Fuzzy Objective Function Algorithms, " Plenum, New York, 1981. 

  6. G. Heo, P. Gader and H. Frigui, "A Noise Robust Variant of Context Extraction for Local Fusion, " Proceedings of 2010 IEEE International Conference on Fuzzy Systems, pp. 1-6, 2010. 

  7. A. M. Bensaid, "Partially supervised clustering for image segmentation, " Pattern Recognition, Vol. 29, No. 5, pp. 859-871, May 1996. 

    상세보기 crossref

  8. A. M. Martinez and A. C. Kak, "PCA versus LDA, " IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 23 No. 2, pp. 228-233, Feb. 2001. 

    상세보기 crossref

  9. D. E. Gustafson and W. C. Keller, "Fuzzy clustering with a fuzzy covariance matrix, " Proceedings of the 1978 IEEE Conference on Decision and Control, pp. 761-766, 1979. 

  10. R. Babuska, P. J. van der Veen and U. Kaymak, "Improved Covariance Estimation for Gustafson-Kessel Clustering, " Proceedings of the 2002 IEEE International Conference on Fuzzy Systems, pp. 1081-1085, 2002. 

  11. B. Feil and J. Abonyi, "Geodesic Distance Based Fuzzy Clustering, " Advances in Soft Computing, Vol. 39, pp. 50-59, 2007. 

    crossref

  12. Gomes, Ryan, Andreas Krause, and Pietro Perona. "Discriminative clustering by regularized information maximization, " Advances in Neural Information Processing Systems, Vol. 23 pp. 775-783, 2010. 

  13. K. Zhang, I. W. Tsang and J. T. Kwok, "Maximum Margin Clustering Made Practical, " IEEE Transactions on Neural Networks, Vol. 20, No. 4, pp. 583-596, Apr. 2009. 

    상세보기 crossref

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

FREE

Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로