ارائه روشي جديد براي خودكارسازي آستانه‌گيري در خوشه‌بندي بخردانه

Proposing a New Framework for Automation of Thresholding in Wisdom of Crowds Cluster Ensemble Selection

در سال‌هاي اخير، پژوهشگران، روش‌هاي مكاشفه‌اي مبتني بر نظريه خرد جمعي را به‌منظور ارزيابي و انتخاب نتايج به‌دست آمده از خوشه‌بندي‌هاي پايه پيشنهاد كردند. در اين‌روش‌ها، نتايج خوشه‌بندي با استفاده از معيارهاي پراكندگي، استقلال و عدم‌تمركز ارزيابي شده و با آستانه‌گيري از ارزيابي‌ها، نتايج به‌دست آمده انتخاب و تركيب مي‌شوند. هدف اين مقاله، ارائه روشي جهت تخمين خودكار مقادير بهينه آستانه، بر اساس ويژگي‌هاي اصلي داده در روش خوشه‌بندي بخردانه مي‌باشد. علاوه بر آن، در اين مقاله، به‌منظور اندازه‌گيري پراكندگي، معياري جديد با عنوان همگوني بر اساس معيار APMM ارائه مي‌شود. همچنين، جهت محاسبه استقلال به‌عنوان وزني در تركيب نتايج اوليه، روش انباشت مدارك وزن‌دار ارائه مي‌شود. مقايسه نتايج تجربي به‌دست آمده بر روي چندين مجموعه داده استاندارد با ساير روش‌هاي خوشه‌بندي (تركيبي)، نشان مي‌دهد كه روش پيشنهادي اين مقاله از كارايي مناسبي برخوردار‌است.

Recently, researchers proposed heuristic frameworks which are based on the Wisdom of Crowds in order to evaluate and select the basic results. In these methods, basic results are evaluated by diversity, independency and decentralization metrics. Then, the evaluated results are selected by thresholding, and combined by a consensus function. This paper aims to propose a method for automatic evaluation of the optimized threshold values based on the basic features of the input data in WOCCE. Also, Uniformity, a metric which is based on APMM, is introduced for calculating the diversity of two basic clustering results. Furthermore, Weighted Evidence Accumulation Clustering (WEAC), a new method for considering independency as a weight in the process of combining the basic results, is introduced in this paper. The experimental results indicate that the proposed method has higher efficiency in comparison with the results of other cluster ensemble methods.