선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 奸medoid 클 러스터링 수행 시 클러스터의 수를 매번 변경하여 반복 실험을 해 야 하는 단점을 보완하여 데이터를 가장 이상적으로 클러스터링 할 수 있는 클러스터 수 左를 찾는 방법을 제안하고자 한다. 또한 제안된 방법을 통해 찾은 左를 가지고 유전자 알고리즘에 기반한 jemedoid 클러스터링을[1] 수행하여 데이터의 크기가 커질수록 증가하는 시간 비용을 효율적으로 감소시키고 정확하고 생물학적 으로 의미 있는 클러스터링 결과를 찾고자 한다.
- 하지만 클러스터의 수률 고정시키고 실험을 해야 하기 때문에 데이터에 대한 사전 지식이 없으면 올바른 분석 의 어려움이 있고, 클러스터의 수률 변경하면서 여러 번 반복 실험을 해야 하기 때문에 데이터의 크기가클수록 분석을 위한시간 비용이 증가하는 등의 단점이 있다. 본 논문에서는 奸medoid 클 러스터링 수행 시 클러스터의 수를 매번 변경하여 반복 실험을 해 야 하는 단점을 보완하여 데이터를 가장 이상적으로 클러스터링 할 수 있는 클러스터 수 左를 찾는 방법을 제안하고자 한다. 또한 제안된 방법을 통해 찾은 左를 가지고 유전자 알고리즘에 기반한 jemedoid 클러스터링을[1] 수행하여 데이터의 크기가 커질수록 증가하는 시간 비용을 효율적으로 감소시키고 정확하고 생물학적 으로 의미 있는 클러스터링 결과를 찾고자 한다.
- 본 논문에서는 클러스터링 알고리즘을 수행하는데 있어서 가장 어려운 문제였던 클러스터 수 결정하는 데 기존의 반복적인 실험과 사용자의 경험 위주로 했던 방법들의 효율성을 높이고자 사회 네트워크의 매개 중심값을 적용하였다, 유전자를 개개의 노드로 보고 이들 사이의 연결 정도를 파악하여 유전자와 유전자를 연결하는 데 있어 가장 많은 연결 정도를 보이는 노드가 하나의 클러스터에서 또한 중심이 될 수 있다는 가정을 하였고 본 논문에서는 이 가정이 맞다는 것을 증명하였다. 또한 제안하는 방법을 통해 얻은 左값을 가지고 실제 클러스터링을 한 결과 유전자 알고리즘의 연산자와 연산 확률을 적절히 조절함으로써 기존 방법들보다 더 좋은 클러스터링 결과를 얻었고, 계산비용도 기존 방법에 비해 줄어든 것을 확인할 수가 있었다.
- 사이즈가 큰 데이터 셋에서의 A-medoid 클러스터링 문제는 NP-hard 문 제이다. 이런 NP-hard 문제의 최적화를 다루기 위해 유전자 알고리즘을 함께 사용하는 방법이 제안되었고, 이때 고려되야 할 계 산 비용을 감소시키기 위해서 본 논문에서는 유전자 알고리즘의 여러 연산자를 적용하여 효율적이고 정확한 클러스터링 결과를 보인다.
가설 설정
- 3. 종료 조건을 만족할 때까지 다음의 과정 반복한다.
- 따라서 본 논문에서는 이러한 관점으로 마이크로어레이 데이터를 분석을 위해 사회 네트워크 방법을[3] 적용하였다. 노드들 하나 하나를 분석하고자 하는 유전자로 보고 그들 사이의 에지를 유 전자들 사이의 관계나 사건으로 보는 것으로 가장 활동적인 유 전자는 많은 다른 유전자들과도 연결 관계를 갖는다는 것을 의 미한다고 가정한다. 또한 그 중에서도 매개 중심 (betweenness centrality) 방법올 적용하였는데 이는 다른 노드들과의 사이에서 'bridge' 역할인 노드를 찾는 방법으로 전체 데이터 네트워 크가 이 노드에 의해서 밀접하게 연관되어 있다는 것을 말한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.