Subspace Clustering: A Possibilistic Approach

Διπλωματική Εργασία uoadl:2924636 417 Αναγνώσεις

Μονάδα:
Κατεύθυνση Μεγάλα Δεδομένα και Τεχνητή Νοημοσύνη
Πληροφορική
Ημερομηνία κατάθεσης:
2020-10-13
Έτος εκπόνησης:
2020
Συγγραφέας:
Ελευθεράκη Σταυρούλα
Στοιχεία επιβλεπόντων καθηγητών:
Κωνσταντίνος Δ. Κουτρούμπας, Διευθυντής Ερευνών, Εθνικό Αστεροσκοπείο Αθηνών
Αθανάσιος Α. Ροντογιάννης, Διευθυντής Ερευνών, Εθνικό Αστεροσκοπείο Αθηνών
Πρωτότυπος Τίτλος:
Subspace Clustering: A Possibilistic Approach
Γλώσσες εργασίας:
Αγγλικά
Μεταφρασμένος τίτλος:
Συσταδοποίηση Υποχώρων: Μία Possibilistic Προσέγγιση
Περίληψη:
Ως συσταδοποίηση υποχώρων ορίζεται το πρόβλημα της μοντελοποίησης δεδομένων
που βρίσκονται σε έναν ή και περισσότερους υποχώρους υπό την παρουσία θορύβου
και περιέχουν ακραίες παρατηρήσεις και ελλιπή δεδομένα. Εξ όσων γνωρίζουμε, όλοι
οι αλγόριθμοι που επιλύουν αυτό το πρόβλημα υποθέτουν ότι μια παρατήρηση ανήκει
αυστηρά σε έναν υποχώρο. Η παρούσα διατριβή εξετάζει την περίπτωση όπου ένα σημείο μπορεί ταυτόχρονα και ανεξάρτητα να ανήκει σε παραπάνω από έναν υποχώρο. Ως αποτέλεσμα έχουμε την δημιουργία ενός καινούργιου αλγορίθμου, του sparse adaptive possibilistic K-subspaces (SAP K-subspaces). Ο αλγόριθμος αυτός αποτελεί γενίκευση του αλγορίθμου sparse possibilistic c-means algorithm (SPCM) [2], πράγμα που σημαίνει ότι μπορεί να διαχειριστεί με αξιοπιστία δεδομένα τόσο με θόρυβο και ακραίες τιμές όσο και δεδομένα τα οποία βρίσκονται σε τομές υποχώρων. Επίσης, ο καινούργιος αλγόριθμος αρχικοποιείται με περισσότερες συστάδες από τις πραγματικές, έχοντας την δυνατότητα απαλοιφής των περιττών συστάδων και τελικά την εύρεση αυτών που σχηματίζονται απο τα δεδομένα. Επιπλέον, υιοθετεί μια προσέγγιση εύρεσης γινομένου πινάκων χαμηλής τάξης για την εκτίμηση της διάστασης των υποχώρων [1]. Πειράματα σε συνθετικά και αληθινά δεδομένα επιβεβαιώνουν την αποτελεσματικότητα του αλγορίθμου.

[1] Paris V Giampouras, Athanasios A Rontogiannis, and Konstantinos D Koutroumbas. Alternating iteratively reweighted least squares minimization for lowrank matrix factorization. IEEE Transactions on Signal Processing, 67(2):490–503, 2018.

[2] Spyridoula D Xenaki, Konstantinos D Koutroumbas, and Athanasios A Rontogiannis. Sparsityaware possibilistic clustering algorithms. IEEE Transactions on Fuzzy Systems, 24(6):1611–1626, 2016.
Κύρια θεματική κατηγορία:
Θετικές Επιστήμες
Λέξεις-κλειδιά:
συσταδοποίηση-εκ περιτροπής ελαχιστοποίηση, απαλοιφή συστάδων, χαμηλή τάξη, αραιότητα, συσταδοποίηση υποχώρων, προσαρμογή παραμέτρων, ανάλυση κύριων συνιστωσών, συσταδοποίηση με βάση τα ενδεχόμενα
Ευρετήριο:
Ναι
Αρ. σελίδων ευρετηρίου:
5
Εικονογραφημένη:
Ναι
Αρ. βιβλιογραφικών αναφορών:
26
Αριθμός σελίδων:
79
PossibSubClustering.pdf (1 MB) Άνοιγμα σε νέο παράθυρο