Un article de recherche propose le Generalized Sparse Fuzzy Clustering (GSFC), un cadre conçu pour remédier à deux limites du clustering flou conventionnel : sa tendance à affecter chaque point de données à tous les clusters et le fait qu’il nécessite de connaître le nombre de clusters à l’avance.
La méthode ajoute une pénalité continue de parcimonie à la fonction objectif du clustering flou. Selon les chercheurs, cette pénalité peut ramener à zéro les valeurs d’appartenance négligeables, ce qui permet à l’algorithme d’éliminer les clusters redondants. Le GSFC commence avec davantage de clusters candidats que le nombre supposé de clusters présents dans les données, puis estime ce nombre à mesure que les candidats redondants sont éliminés.
Pour optimiser la fonction objectif, le cadre associe une recherche par dichotomie primale-duale à des procédures analytiques qui imposent que la somme des valeurs d’appartenance de chaque point soit égale à un. Il comprend également un cluster de bruit virtuel destiné à absorber les valeurs aberrantes et à réduire leur influence sur les représentants des clusters.
L’article décrit deux versions de l’approche : l’une pour les clusters compacts et l’autre pour les structures allongées. Cette dernière est appliquée à la détection de segments de droite, où les auteurs rapportent que les affectations parcimonieuses aident à identifier les segments qui se croisent. Leurs évaluations portent sur des données synthétiques, des tests géométriques fortement bruités, le jeu de données UCI Wine et des images hyperspectrales. Les auteurs indiquent que le GSFC a obtenu de meilleurs résultats que les méthodes de référence de clustering flou conventionnelles et a surpassé les solutions parcimonieuses possibilistes et probabilistes pour les tâches de détection de lignes.
Les travaux sont présentés dans l’article « A Generalized Sparse Fuzzy Clustering Framework with Automated Cluster Cardinality Estimation Ability », répertorié sur arXiv sous le numéro 2611.00159v1.
Sources: arXiv cs.AI.