$\require{mediawiki-texvc}$

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.

스펙트럴 클러스터링 - 요약 및 최근 연구동향
Spectral clustering: summary and recent research issues 원문보기

응용통계연구 = The Korean journal of applied statistics, v.33 no.2, 2020년, pp.115 - 122  

정상훈 (부산대학교 통계학과) ,  배수현 (부산대학교 통계학과) ,  김충락 (부산대학교 통계학과)

초록
AI-Helper 아이콘AI-Helper

K-평균 클러스터링은 매우 널리 사용되고 있으나 유사도가 구면체 또는 타원체로 정의되어 각 클러스터가 볼록 집합 형태인 자료에는 좋은 결과를 주지만 그렇지 않은 경우에는 매우 형편 없는 결과를 나타낸다. 스펙트럴 클러스터링은 K-평균 클러스터링의 단점을 잘 보완해 줄 뿐아니라 여러 형태의 자료나 고차원 자료 등에 대해서도 좋은 결과를 나타내서 최근 인공 신경망 모형에 많이 이용되고 있다. 하지만, 개선되어야 할 단점도 여전히 많다. 본 논문에서는 스펙트럴 클러스터링에 대해 알기 쉽게 소개하고, 클러스터 갯수의 추정, 척도모수의 추정, 고차원 자료의 차원 축소 등 스펙트럴 클러스터링에 대한 최근의 연구 동향을 소개한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

K-means clustering uses a spherical or elliptical metric to group data points; however, it does not work well for non-convex data such as the concentric circles. Spectral clustering, based on graph theory, is a generalized and robust technique to deal with non-standard type of data such as non-conve...

주제어

#인접성   #차원축소   #클러스터의 갯수   #척도모수  

표/그림 (3)

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 클러스터의 갯수에 대한 추정, 인접행렬의 구성 시에 필요한 척도모수의 추정, 고차원 자료에서의 차원축소 방법 등이 해결되어야 한다. 본 논문에서는 스펙트럴 클러스터링에 대해 간략하게 소개하고 향후 해결되어야할 연구분야 등을 살펴보았다.
  • 스펙트럴 클러스터링에 대한 평가 논문 중에서 von Luxburg (2007)이 많이 인용되고 있다. 본 논문에서는 최근 많은 연구자들의 관심을 받고 있는 스펙트럴 클러스터링에 대해 알기 쉽게 소개하고, 어떤 문제점이 있으며 최근의 연구 방향은 무엇인지 소개하고자 한다.

가설 설정

  • 그 외에도 두 관측치의 표본 상관계수의 절댓값이나 제곱한 것을 사용하기도 한다. 본 논문에서는 비방향성이고 가중 인접성을 가정한다. 방향성이 있거나, 가중인접성을 가정하지 않는 자료는 매우 드물기 때문이다.
본문요약 정보가 도움이 되었나요?

참고문헌 (16)

  1. Ben-Hur, A., Horn, D., Siegelmann, H. T., and Vapnik, V. (2001). Support vector clustering, Journal of Machine Learning Research, 2, 125-137. 

  2. Fiedler, M. (1973). Algebraic connectivity of graphs, Czechoslovak Mathematical Journal, 23, 298-305 

  3. Fraley, C. and Raftery, A. E. (2002). Model-based clustering, discriminant analysis, and density estimation, Journal of the American Statistical Association, 97, 611-631. 

    상세보기 crossref

  4. Hastie, T., Tibshirani, R., and Friedman, J. (2008). The Elements of Statistical Learning (2nd Ed), Springer, New York. 

  5. Kim, C., Cheon, M., Kang, M., and Chang, I. (2008). A simple and exact Laplacian clustering of complex networking phenomena: Application to gene expression proles. In Proceedings of the National Academy of Science, 105, 4083-4087. 

    상세보기 crossref

  6. Le, C. M. and Levina, E. (2015). Estimating the number of components in networks by spectral methods, arXiv 1507.00827. 

  7. LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning, Nature, 521, 436-444. 

    상세보기 crossref

  8. Ng, A., Jordan, M., and Weiss, Y. (2002). On spectral clustering: analysis and an algorithm. Advances in Neural Information Processing Systems, 849?856, MIT Press. 

  9. Nie, F., Zeng, Z., Tsang, I. W., Xu, D., and Zhang, C. (2011). Spectral embedded clustering: A framework for in-sample and out-of-sample spectral clustering, IEEE Transactions on Neural Networks, 22, 1796-1808. 

    상세보기 crossref

  10. Tibshirani, R., Walther, G., and Hastie, T. (2001). Estimating the number of clusters in a dataset via the gap statistic. Journal of the Royal Statistical Society Series B, 63, 411-423. 

    상세보기 crossref

  11. von Luxburg, U. (2007). A tutorial on spectral clustering, Statistics and Computing, 17, 395-416. 

    상세보기 crossref

  12. Wang, Q., Qin, Z., Nie, F., and Li, X. (2019). Spectral embedded adaptive neighbors clustering, IEEE Transactions on Neural Networks and Learning Systems, 30, 1265-1271. 

    상세보기 crossref

  13. Xu, L., Neufeld, J., Larson, B., and Schuurmans, D. (2005). Maximum margin clustering, Advances in Neural Information Processing Systems, 1537-1544. 

  14. Zhang, K., Tsang, I. W., and Kwok, J. T. (2009). Maximum margin clustering made practical, IEEE Transactions on Neural Networks, 20, 583?596. 

    상세보기 crossref

  15. Zelnik-Manor, L. and Perona, P. (2005). Self-tuning spectral clustering, Advances in Neural Information Processing Systems, 1601-1608, MIT Press. 

  16. Zhou, G. T., Lan, T., Vahdat, A., and Mori, G. (2013). Latent maximum margin clustering, Advances in Neural Information Processing Systems, 28-36. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

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