High-dimensional data clustering algorithm based on stacked-random projection
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F20%3A10246918" target="_blank" >RIV/61989100:27240/20:10246918 - isvavai.cz</a>
Výsledek na webu
<a href="https://link.springer.com/chapter/10.1007%2F978-3-030-57796-4_38" target="_blank" >https://link.springer.com/chapter/10.1007%2F978-3-030-57796-4_38</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-030-57796-4_38" target="_blank" >10.1007/978-3-030-57796-4_38</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
High-dimensional data clustering algorithm based on stacked-random projection
Popis výsledku v původním jazyce
This study focuses on high dimensional data, which are characterized by sparsity, redundancy, and high computational complexity. It is impossible to obtain expected results via clustering with traditional algorithms due to the "Curse of Dimensionality". In this study, we propose a Stacked-Random Projection dimensionality reduction framework and a dimensionality reduction evaluation index based on distance preservation. The algorithm uses Stacked-Random Projection to reduce the dimensionality of the high-dimensional data, and then spectral clustering and fast search and find density peak clustering are used to cluster the processed data. The algorithm is validated using two high-dimensional data sets. Experimental results show that this algorithm can improve the performance of clustering algorithm significantly. (C) Springer Nature Switzerland AG 2021.
Název v anglickém jazyce
High-dimensional data clustering algorithm based on stacked-random projection
Popis výsledku anglicky
This study focuses on high dimensional data, which are characterized by sparsity, redundancy, and high computational complexity. It is impossible to obtain expected results via clustering with traditional algorithms due to the "Curse of Dimensionality". In this study, we propose a Stacked-Random Projection dimensionality reduction framework and a dimensionality reduction evaluation index based on distance preservation. The algorithm uses Stacked-Random Projection to reduce the dimensionality of the high-dimensional data, and then spectral clustering and fast search and find density peak clustering are used to cluster the processed data. The algorithm is validated using two high-dimensional data sets. Experimental results show that this algorithm can improve the performance of clustering algorithm significantly. (C) Springer Nature Switzerland AG 2021.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2020
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Advances in Intelligent Systems and Computing. Volume 1263
ISBN
978-3-030-57795-7
ISSN
2194-5357
e-ISSN
2194-5365
Počet stran výsledku
11
Strana od-do
391-401
Název nakladatele
Springer
Místo vydání
Cham
Místo konání akce
Victoria
Datum konání akce
31. 8. 2020
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—