[논문]온라인 데이터 스트림에서의 동적 부분 공간 클러스터링 기법

박남훈

doi:10.14400/jdc.2022.20.2.217

온라인 데이터 스트림에서의 동적 부분 공간 클러스터링 기법
Dynamic Subspace Clustering for Online Data Streams 원문보기

디지털융복합연구 = Journal of digital convergence, v.20 no.2, 2022년, pp.217 - 223

박남훈 (안양대학교 융합소프트웨어학과)

초록
AI-Helper

온라인 데이터 스트림에 대한 부분 공간 클러스터링은 데이터 공간 차원의 모든 부분 집합을 검사해야 하므로 많은 양의 메모리 자원을 필요로 한다. 유한한 메모리 공간에서 데이터 스트림에 대한 클러스터들의 지속적인 변화를 추적하기 위해 본 논문에서는 메모리 자원을 효과적으로 사용하는 격자기반 부분 공간 클러스터링 알고리즘을 제안한다. n차원 데이터 스트림이 주어지면 각 차원 데이터 공간에 있는 데이터 항목의 분포 정보를 격자셀 리스트에 의해 모니터링 된다. 첫번째 레벨의 격자셀 목록에서 데이터 항목의 빈도가 높아 단위 격자셀이 되면 해당 격자셀로부터 모든 가능한 부분 공간의 클러스터를 찾기 위해 다음 레벨의 격자셀 리스트를 자식 노드로 생성한다. 이와 같이 최대 다차원 n레벨의 격자셀 부분 공간 트리가 구성되고, k차원의 부분 공간 클러스터는 부분 공간 격자셀 트리의 k레벨에서 찾을 수 있다. 실험을 통해서 제안하는 방법이 기존 방법만큼 정확도를 유지하면서, 밀집 공간만 확장하여 컴퓨팅 자원을 보다 효율적으로 사용하는 것을 확인하였다.

Abstract ▼ AI-Helper

Subspace clustering for online data streams requires a large amount of memory resources as all subsets of data dimensions must be examined. In order to track the continuous change of clusters for a data stream in a finite memory space, in this paper, we propose a grid-based subspace clustering algorithm that effectively uses memory resources. Given an n-dimensional data stream, the distribution information of data items in data space is monitored by a grid-cell list. When the frequency of data items in the grid-cell list of the first level is high and it becomes a unit grid-cell, the grid-cell list of the next level is created as a child node in order to find clusters of all possible subspaces from the grid-cell. In this way, a maximum n-level grid-cell subspace tree is constructed, and a k-dimensional subspace cluster can be found at the kth level of the subspace grid-cell tree. Through experiments, it was confirmed that the proposed method uses computing resources more efficiently by expanding only the dense space while maintaining the same accuracy as the existing method.

주제어

표/그림 (3)

그림 Fig. 1. A subspace tree for XYZ data space
그림 Fig. 2. Accuracy camparison with CLIQUE
그림 Fig. 3. Performance evaluation

참고문헌 (15)

M. Garofalakis, J. Gehrke & R. Rastogi. (2002) Querying and mining data streams: you only get one look. In the tutorial notes of the 28th Int'l Conference on Very Large Databases, Hong Kong. DOI:10.1145/564691.564794
Joong Hyuk Chang & Won Suk Lee. (2006). Finding frequent itemsets over online data streams. Information & Software Technology, 48(7), 606-618. DOI: 10.1016/j.infsof.2005.06.004

상세보기
Mohamed Medhat Gaber, Arkady B. Zaslavsky & Shonali Krishnaswamy. (2005). Mining data streams: a review. SIGMOD Record 34(2), 18-26. DOI: 10.1145/1083784.1083789

상세보기
Ming Hua, Jian Pei & Xuemin Lin. (2011). Ranking queries on uncertain data. The International Journal on Very Large Data Bases, 20(1), 129-153. DOI: 10.1007/s00778-010-0196-4

상세보기
Jie Zhao, Xiaowen Li & Peiquan Jin. (2012). A Time-Enhanced Topic Clustering Approach for News Web Search. Int. Journal of Database Theory and Application, 5(4), 1-10.
Chun-Hung Cheng, Ada Waichee Fu & Yi Zhang. (1999). Entropy-based subspace clustering for mining numerical data. In Proceedings of the fifth ACM SIGKDD International Conference on Knowledge discovery and data mining, 84-93. DOI: 10.1145/312129.312199
Tang MingJing, Li Tong, Zhu Rui & Ma ZiFei. (2021). A Cluster Analysis Method of Software Development Activities Based on Event Log. Recent Advances in Computer Science and Communications, 14(6). 1843-1851. DOI: 10.2174/2666255813666191204144931
Hans-Peter Kriegel, Peer Kroger, Matthias Renz & Sebastian Wurst. (2006). Generic Framework for Efficient Subspace Clustering of High-Dimensional Data. In Proceedings of the Fifth IEEE International Conference on Data Mining, 250-257. DOI: 10.1109/ICDM.2005.5
Nam Hun Park & Won Suk Lee. (2007). Cell trees: An Adaptive Synopsis structure for clustering multi-dimensional on-line data streams. J. Data & Knowledge Engineering, 63(2), 528-549. DOI: 10.1016/j.datak.2007.04.003

상세보기
O'callaghan, L., Mishra, N., Meyerson, A., Guha, S., & Motwani, R. (2002). Streaming-data algorithms for high-quality clustering. In Proceedings 18th International Conference on Data Engineering, 685-694. DOI: 10.5555/876875.878995
Charu C. Aggarwal, Jiawei Han, Jianyong Wang & Philip S. Yu. (2003). A Framework for Clustering Evolving Data Streams. In Proc. VLDB 29th.. DOI: 10.1016/B978-012722442-8/5 0016-1
Mohamed Medhat Gaber. (2011). Advances in data stream mining. Data Mining and Knowledge Discovery, 2(1). DOI: 10.1002/widm.52

상세보기
Eoin Martino Grua, Mark Hoogendoorn, Ivano Malavolta, Patricia Lago & A.E. Eiben. (2019). CluStreamGT Online Clustering for Personali -zation in the Health Domain. IEEE/WIC/ ACM International Conference on Web Intelligence.
Rakesh Agrawal, Johannes Gehrke, Dimitrios Gunopulos & Prabhakar Raghavan. (1998). Automatic subspace clustering of high dimensional data for data mining applications. In Proceedings of the 1998 ACM SIGMOD International Conference on Management of Data, 94-105. DOI: 10.1145/276305.276314

상세보기
Mohammed Oualid Attaoui, Hanene Azzag, Mustapha Lebbah & Nabil Keskes. (2020). Subspace data stream clustering with global and local weighting models, Neural Computing and Applications, 33, 3691-3712. DOI: 10.1007/s00521-020-05184-z

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

온라인 데이터 스트림에서의 동적 부분 공간 클러스터링 기법
Dynamic Subspace Clustering for Online Data Streams 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (3)

표/그림 (3)

참고문헌 (15)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

온라인 데이터 스트림에서의 동적 부분 공간 클러스터링 기법 Dynamic Subspace Clustering for Online Data Streams 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (3)

표/그림 (3)

참고문헌 (15)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

온라인 데이터 스트림에서의 동적 부분 공간 클러스터링 기법
Dynamic Subspace Clustering for Online Data Streams 원문보기

초록
AI-Helper