多視点データの統合分析のためのスケーラブルベイズクラスタリング

ビッグデータの時代において、高次元データに対するスケーラブルで正確なクラスタリングアルゴリズムは不可欠です。私たちは、新しいベイズ距離クラスタリング（BDC）モデルと推論アルゴリズムを提案し、最新のベイズ非パラメトリックモデルの予測精度を維持しながら、スケーラビリティを向上させました。従来の手法とは異なり、BDCは観測間の距離をモデル化するため、距離ベースの手法のスケーラビリティとモデルベースの手法の予測力及び確率的解釈の向上の妥協を提供します。しかし、既存のBDCモデルは、観測をクラスタにグループ化するためにパーティションモデルで推論を行う必要があります。このパーティションモデルのサポートはデータセットのサイズに対して指数的に増加し、ポスターリオ空間の探索を複雑にし、多くのコストのかかる尤度評価を引き起こします。Kメドイドに触発され、最良のタッセレーションセンター、または「メドイド」を見つけることに学習タスクを集中させることで、離散空間におけるタッセレーションを使用して推論を簡素化することを提案します。さらに、時間を通じて進化するクラスタで構成されるデータのような多視点データを効果的に扱うために、モデルを拡張し、複雑なデータセットへの適用性を高めています。貨幣学における実データ応用は、私たちのアプローチの有効性を示しています。