Key points are not available for this paper at this time.
유효성 검증은 클러스터링에서 가장 중요한 측면 중 하나이며, 특히 사용자가 신뢰할 수 있거나 설명 가능한 시스템을 설계할 때 더욱 그렇습니다. 그러나 대부분의 클러스터링 유효성 검증 접근법은 배치 계산을 요구합니다. 이는 실시간 데이터 스트리밍 및 기타 온라인 학습 응용 프로그램에서 클러스터링의 가치 때문에 중요한 공백입니다. 따라서 유효성을 검증하기 위한 온라인 대안 제공에 대한 관심이 증가했습니다. 이 논문은 Calinski-Harabasz(iCH), Pakhira-Bandyopadhyay-Maulik(iPBM), WB 지수(iWB), Silhouette(iSIL), Negentropy Increment(iNI), Representative Cross Information Potential(irCIP), Representative Cross Entropy(irH), 및 ConnIndex(iConnIndex)의 점진적 버전을 제시하여 점진적 클러스터 타당성 지수(iCVI) 계열을 확장합니다. 또한 이 논문은 이러한 iCVI의 동작에 대한 올바른 분할, 과소 분할 및 과다 분할의 철저한 비교 연구를 제공하며, Partition Separation(PS) 지수와 최근 도입된 네 가지 iCVI: 점진적 Xie-Beni(iXB), 점진적 Davies-Bouldin(iDB), 및 점진적 일반화된 Dunn의 지수 43 및 53(iGD43 및 iGD53)를 포함합니다. 실험은 가능한 한 클러스터링 알고리즘에 무관하도록 설계된 프레임워크를 사용하여 수행되었습니다. 합성 벤치마크 데이터 세트에 대한 결과는 대부분의 iCVI의 동작에서 과소 분할 사례에 대한 증거를 유추할 수 있었던 반면, 과도한 분할은 더 적은 수에 의해 탐지된 더 도전적인 문제임을 보여주었습니다. 흥미롭게도, 이 연구 내의 실제 데이터 실험에서는 과소 분할보다 과다 분할이 더 두드러지게 탐지되었습니다. iCVI의 확장은 샘플을 메모리 및/또는 응용 프로그램 제약으로 인해 재처리할 수 없는 실시간 비지도 평생 학습의 결과를 평가하고 해석하는 데 중요한 새로운 기회를 제공합니다.
Silva et al. (수요일)이 이 질문을 연구했습니다.