Core Concepts
クラスタ中心に依存しないファジィK-Meansクラスタリングアルゴリズムを提案し、クラスタ中心の選択と更新の問題を解決する。提案手法は従来のファジィK-Meansアルゴリズムと等価であり、距離尺度の柔軟な選択を可能にする。
Abstract
本論文は、クラスタ中心に依存しないファジィK-Meansクラスタリングアルゴリズムを提案している。従来のファジィK-Meansアルゴリズムは、クラスタ中心の初期選択と更新に依存し、ノイズの影響を受けやすいという課題があった。
提案手法では、クラスタ中心を一切使用せず、サンプル間の距離行列のみから直接メンバーシップ行列を最適化することで、この問題を解決する。理論的な分析により、提案手法は従来のファジィK-Meansアルゴリズムと等価であることを示している。
さらに、提案手法では距離尺度の選択が柔軟であり、データセットの特性に応じて様々な距離尺度を適用できる。これにより、提案手法は従来手法よりも優れたクラスタリング性能を発揮する。
実験では7つのベンチマークデータセットを用いて評価を行い、提案手法が比較手法に対して優れた性能を示すことを確認した。
Stats
クラスタリング性能評価指標の値は以下の通りです:
ACC: 0.2843 - 0.9671
NMI: 0.5722 - 0.9623
Purity: 0.3006 - 0.9671