Un articolo di ricerca propone il Generalized Sparse Fuzzy Clustering (GSFC), un framework pensato per affrontare due limiti del clustering fuzzy convenzionale: la tendenza ad assegnare ogni punto dati a tutti i cluster e la necessità di conoscere in anticipo il numero di cluster.
Il metodo aggiunge un termine di penalità continua per la sparsità alla funzione obiettivo del clustering fuzzy. Secondo i ricercatori, questo può portare i valori di appartenenza trascurabili a zero esatto, consentendo all’algoritmo di eliminare i cluster ridondanti. GSFC parte da un numero di cluster candidati superiore a quello che si prevede contenga il dataset, quindi stima il numero di cluster man mano che i candidati ridondanti vengono rimossi.
Per ottimizzare la funzione obiettivo, il framework combina una ricerca di bisezione primale-duale con procedure analitiche che impongono il requisito che i valori di appartenenza di ogni punto abbiano somma pari a uno. Include inoltre un cluster virtuale di rumore, concepito per assorbire gli outlier e ridurne l’influenza sui rappresentanti dei cluster.
L’articolo descrive due versioni dell’approccio: una per i cluster compatti e un’altra per le strutture allungate. Quest’ultima viene applicata al rilevamento di segmenti di linea, per il quale gli autori riferiscono che le assegnazioni sparse aiutano a individuare segmenti che si intersecano. Le valutazioni comprendono dati sintetici, test geometrici con elevato livello di rumore, il dataset UCI wine e immagini iperspettrali. Gli autori riferiscono che GSFC ha ottenuto risultati migliori rispetto ai benchmark fuzzy convenzionali e ha superato le alternative sparse possibilistiche e probabilistiche nelle attività di rilevamento delle linee.
Il lavoro è presentato nell’articolo “A Generalized Sparse Fuzzy Clustering Framework with Automated Cluster Cardinality Estimation Ability”, catalogato su arXiv come 2611.00159v1.
Fonti: arXiv cs.AI.