Um artigo de pesquisa propõe o Generalized Sparse Fuzzy Clustering (GSFC), um arcabouço criado para lidar com duas limitações do agrupamento fuzzy convencional: sua tendência a atribuir cada ponto de dados a todos os agrupamentos e sua dependência de que se conheça previamente o número de agrupamentos.
O método adiciona uma penalidade contínua de esparsidade à função objetivo do agrupamento fuzzy. Segundo os pesquisadores, isso pode levar valores de pertinência insignificantes exatamente a zero, permitindo que o algoritmo elimine agrupamentos redundantes. O GSFC começa com mais agrupamentos candidatos do que se espera que os dados contenham e, em seguida, estima o número de agrupamentos à medida que os candidatos redundantes são removidos.
Para otimizar a função objetivo, o arcabouço combina uma busca por bisseção primal-dual com procedimentos analíticos que impõem o requisito de que os valores de pertinência de cada ponto somem um. Ele também inclui um agrupamento virtual de ruído, destinado a absorver valores atípicos e reduzir sua influência sobre os representantes dos agrupamentos.
O artigo descreve duas versões da abordagem: uma para agrupamentos compactos e outra para estruturas alongadas. Esta última é aplicada à detecção de segmentos de reta, na qual os autores relatam que as atribuições esparsas ajudam a identificar segmentos que se cruzam. As avaliações abrangem dados sintéticos, testes geométricos com muito ruído, o conjunto de dados de vinho da UCI e imagens hiperespectrais. Os autores relatam que o GSFC teve desempenho superior ao de referências fuzzy convencionais e superou alternativas esparsas possibilísticas e probabilísticas em tarefas de detecção de retas.
O trabalho é apresentado no artigo “A Generalized Sparse Fuzzy Clustering Framework with Automated Cluster Cardinality Estimation Ability”, listado no arXiv como 2611.00159v1.
Fontes: arXiv cs.AI.