MoCham: Robust Hierarchical Clustering Based on Multi-objective Optimization

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21240%2F16%3A00307016" target="_blank" >RIV/68407700:21240/16:00307016 - isvavai.cz</a>

Výsledek na webu

<a href="http://ieeexplore.ieee.org/document/7836754/" target="_blank" >http://ieeexplore.ieee.org/document/7836754/</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/ICDMW.2016.0123" target="_blank" >10.1109/ICDMW.2016.0123</a>

Jazyk výsledku

angličtina

Název v původním jazyce

MoCham: Robust Hierarchical Clustering Based on Multi-objective Optimization

Popis výsledku v původním jazyce

Many clustering evaluation methods are computed as a ratio between two objectives, typically these objectives express the compactness of all clusters while trying to maximize the separation between individual clusters. However, the clustering process itself is typically implemented as a single objective problem: optimizing a linear combination of between-points closeness. We propose MoCham - a hierarchical clustering algorithm that uses a multi-objective optimization for finding the optimal data points to merge. Our results suggest that a careful candidate selection of Pareto dominating pairs leads to more robust clustering results.

Název v anglickém jazyce

MoCham: Robust Hierarchical Clustering Based on Multi-objective Optimization

Popis výsledku anglicky

Many clustering evaluation methods are computed as a ratio between two objectives, typically these objectives express the compactness of all clusters while trying to maximize the separation between individual clusters. However, the clustering process itself is typically implemented as a single objective problem: optimizing a linear combination of between-points closeness. We propose MoCham - a hierarchical clustering algorithm that uses a multi-objective optimization for finding the optimal data points to merge. Our results suggest that a careful candidate selection of Pareto dominating pairs leads to more robust clustering results.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

2016 IEEE 16th International Conference on Data Mining Workshops

ISBN

978-1-5090-5910-2

ISSN

2375-9259

e-ISSN

—

Počet stran výsledku

8

Strana od-do

831-838

Název nakladatele

IEEE Computer Society

Místo vydání

USA

Místo konání akce

Barcelona

Datum konání akce

12. 12. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—