Статья ученых Института включена в международную базу

Как сообщалось ранее, на состоявшемся недавно в Баку заседании «13-й Международной конференции IEEE по применению информационно-коммуникационных технологий» (AICT 2019) на тему «Высокопроизводительное вычислительное и машинное обучение» заслушан доклад «Consensus clustering by weight optimization of input partitions» («Консенсусная кластеризация через оптимизации веса исходных разбиений») соавторами которой являются вице-президент НАНА, директор Института информационных технологий, академик Расим Алигулиев, заведующий отделом, член-корреспондент НАНА, доктор технических наук Рамиз Алыгулиев и старший научный сотрудник, доктор философии по технике, доцента Людмилы Сухостат.

Научные доклады, представленные на конференции, были опубликованы в «Материалах 13-й Международной конференции IEEE по применению информационных и коммуникационных технологий».

Следует отметить, что в статье широко используется решенный подход к повышению точности и стабильности результатов кластеризации. Подход кластеризации взвешенного консенсуса заключается в овладении отдельными методами кластеризации веса с использованием функции чистоты-полезности (purity utility function).

Консенсусная кластеризация – это перспективный подход к поиску кластерных структур из набора данных. Консенсусная кластеризация может помочь вам найти надежные подразделения, выявить шум и отклонения, а также объединить решения из многих источников.

В статье предлагается алгоритм консенсусной кластеризации, состоящий из DBSCAN (Density-Based Spatial Clustering of Applications with Noise), OPTICS (Ordering Points to Identify the Clustering Structure), CLARANCE (Clustering Large Applications with Randomized Search), c-means и общих алгоритмов кластеризации соседей (shared nearest neighbor clustering, SNNC).

Предложенный алгоритм был оценен экспериментальным методом на основе различных метрик расстояния (Евклид, Минковский, квадратичный Евклид, Косинус и Чебышев). Результаты эксперимента показывают, что предлагаемый подход эффективен в каждом из методов кластеризации, входящих в ансамбль, а точнее демонстрирует высокую точность. Для оценки эффективности методов было использовано несколько оценочных метрик.

Статья проиндексирована и реферирована в авторитетной научной базе IEEE Xplore (DOI: 10.1109/AICT47866.2019.8981718)

© Все права защищены. При использовании информации гиперссылка на сайт www.iсt.az обязательна.