ارائه روشی جدید برای خودکارسازی آستانه‌گیری در خوشه‌بندی بخردانه

در سال‌های اخیر، پژوهشگران، روش‌های مکاشفه‌ای مبتنی بر نظریه خرد جمعی را به‌منظور ارزیابی و انتخاب نتایج به‌دست آمده از خوشه‌بندی‌های پایه پیشنهاد کردند. در این‌روش‌ها، نتایج خوشه‌بندی با استفاده از معیارهای پراکندگی، استقلال و عدم‌تمرکز ارزیابی شده و با آستانه‌گیری از ارزیابی‌ها، نتایج به‌دست آمده انتخاب و ترکیب می‌شوند. هدف این مقاله، ارائه روشی جهت تخمین خودکار مقادیر بهینه آستانه، بر اساس ویژگی‌های اصلی داده در روش خوشه‌بندی بخردانه می‌باشد. علاوه بر آن، در این مقاله، به‌منظور اندازه‌گیری پراکندگی، معیاری جدید با عنوان همگونی بر اساس معیار apmm ارائه می‌شود. همچنین، جهت محاسبه استقلال به‌عنوان وزنی در ترکیب نتایج اولیه، روش انباشت مدارک وزن‌دار ارائه می‌شود. مقایسه نتایج تجربی به‌دست آمده بر روی چندین مجموعه داده استاندارد با سایر روش‌های خوشه‌بندی (ترکیبی)، نشان می‌دهد که روش پیشنهادی این مقاله از کارایی مناسبی برخوردار‌است.

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

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.