Cluster ensemble selection with constraints

گروه خوشه بندی به عنوان یک ابزار مهم برای تجزیه و تحلیل داده ها به کار گرفته شده است، که می تواند یک خوشه بندی انضمامی قوی تر و دقیق تر ایجاد کند. در شکل گیری گروه ها، مطالعات تجربی نشان می دهد که گروه های بهتر می توانند به طور همزمان با توجه به کیفیت گروه ها و تنوع در میان اعضای گروه به دست آیند. با این حال، تلاش های پژوهشی کمی برای به اشتراک گذاشتن دانش قبلی در زمینه پیش زمینه پرداخت شده است. در این مقاله ابتدا تحلیلی نظری درباره تأثیر تنوع و کیفیت اعضای گروه ارائه می کنیم. سپس یک چارچوب یکپارچه برای حل مسئله انتخاب مجموعه ای از خوشه بندی مبتنی بر محدودیت پیشنهاد می کنیم که در آن سطح برخی از سطح باید پیوند و محدودیت هایی را که نمی توان به آنها پیوند داد، به عنوان دانش قبلی یا اطلاعات پس زمینه ارائه شده است. ما این مشکل را به عنوان یک مشکل بهینه سازی ترکیبی از لحاظ ثبات در محدودیت ها، تنوع در میان اعضای گروه و کیفیت کلی گروه ها، رسمی می کنیم. چارچوب پیشنهادی ما دو موضوع متمایز و در عین حال مرتبط از خوشه بندی را جمع آوری می کند: خوشه بندی گروهی و خوشه بندی نیمه نظارت. ما روش های مختلفی را برای جستجوی راه حل های با کیفیت بالا مطالعه می کنیم. آزمایشات بر روی مجموعه داده های معیار اثربخشی چارچوب ما را نشان می دهد.