Eine Forschungsarbeit schlägt Generalized Sparse Fuzzy Clustering (GSFC) vor, einen Ansatz, der zwei Einschränkungen des herkömmlichen Fuzzy-Clustering überwinden soll: die Tendenz, jeden Datenpunkt jedem Cluster zuzuweisen, und die Abhängigkeit davon, die Anzahl der Cluster im Voraus zu kennen.
Die Methode ergänzt die Zielfunktion des Fuzzy-Clustering um eine kontinuierliche Sparsity-Strafe. Den Forschenden zufolge kann dadurch erreicht werden, dass vernachlässigbare Mitgliedschaftswerte exakt auf null gesetzt werden, sodass der Algorithmus redundante Cluster entfernen kann. GSFC beginnt mit mehr möglichen Clustern, als die Daten voraussichtlich enthalten, und schätzt dann die Anzahl der Cluster, während redundante Kandidaten entfernt werden.
Zur Optimierung der Zielfunktion kombiniert der Ansatz eine primär-duale Bisektionssuche mit analytischen Verfahren, die sicherstellen, dass sich die Mitgliedschaftswerte jedes Punktes zu eins summieren. Außerdem umfasst er einen virtuellen Rauschcluster, der Ausreißer aufnehmen und ihren Einfluss auf die Clusterrepräsentanten verringern soll.
Die Arbeit beschreibt zwei Varianten des Ansatzes: eine für kompakte Cluster und eine für längliche Strukturen. Die zweite Variante wird zur Erkennung von Liniensegmenten eingesetzt; den Autoren zufolge helfen spärliche Zuweisungen dabei, sich kreuzende Segmente zu identifizieren. Ihre Auswertungen umfassen synthetische Daten, geometrische Tests mit starkem Rauschen, den UCI-Weindatensatz und Hyperspektralbilder. Die Autoren berichten, dass GSFC besser abschnitt als herkömmliche Fuzzy-Benchmarkverfahren und bei Aufgaben zur Liniendetektion spärliche possibilistische und probabilistische Alternativen übertraf.
Die Arbeit wird in dem Beitrag „A Generalized Sparse Fuzzy Clustering Framework with Automated Cluster Cardinality Estimation Ability“ vorgestellt, der auf arXiv unter der Nummer 2611.00159v1 aufgeführt ist.
Quellen: arXiv cs.AI.