MoCham: Robust Hierarchical Clustering Based on Multi-objective Optimization
Identifikátory výsledku
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>
Alternativní jazyky
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.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2016
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
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
—