[论文]A Link-Based Approach to the Cluster Ensemble Problem

论文作者：Natthakan Iam-On, Tossapon Boongoen, Simon Garrett, and Chris Price

下次还是在汇报前先写了论文总结，不然有些点汇报时容易忘了说，以前看的论文看补不补上来吧，有时间再说。

前言：

这篇论文是关于聚类集成的，成熟的聚类集成框架是将多个聚类算法的结果汇聚在一起，然后使用一致性函数得出最终的聚类结果，论文中认为这两步中间的操作属于原数据上的操作，比较粗糙，所以提出了一种算法，对汇总后聚类结果进行进一步处理，然后再使用一致性函数。

Summary:

• This paper presents a new link-based approach to improve the conventional matrix.
• Three new link-based algorithms are proposed for the underlying similarity assessment.
• The final clustering result is generated from the refined matrix using two different consensus functions of feature-based and graph-based partitioning.

conventional matrix 就是前言中提到的汇总结果。

这个算法目的是发现一个样本在一个聚类结果中与不属于的类 之间的关系(similarity)。

提炼后的矩阵称为RA matrix ，在这个矩阵上进行一致性曹组有两种方法，基于feature 和基于图切。

对汇总矩阵的提炼的方法一共有三种。

It aims to refine the ensemble-information matrix using the similarity between clusters in the ensemble under examination.

　　◦Weighted Connected-Triple (WCT)

　　◦Weighted Triple-Quality (WTQ)

　　◦Combined Similarity Measure (CSM)

 

一致性函数有两种：

two new consensus methods are proposed to derive the ultimate clustering result:

　　◦ feature-based partitioning (FBP)

　　◦ bipartite graph partitioning (BGP)

 

 

下面是一些属性讲解，其实看图比较清楚，一共有N 个样本点，聚类集成框架中使用了M 个聚类方法，得到的结果为π，每个聚类结果π的类个数不一样，使用C 表示：

X ={x1 . . . xN} be a set of N data points

Π={Π 1 . . . ΠM} be a cluster ensemble with M base clusterings

Each base clustering returns a set of clusters

 

a 图是样本的两个聚类情况，π₁ π₂ ，那么可以有3中结果汇众的表达b-d，后面用得上的是d 图，d图这个矩阵就是作者认为的粗糙聚类结果。

N = 5                    样本总数

M = 2                    集成框架中的聚类方法个数

K1 = 3,K2 = 2        每个聚类方法中的聚类个数

 

一个聚类集成问题：

The problem is to find a new partition π* of a data set X that summarizes the information from the cluster ensemble π^final.

 

This metalevel method involves two major tasks of:

◦1) generating a cluster ensemble

◦2) producing the final partition (normally referred to as a “consensus function”).

 

为了获取不同的聚类结果，大致归纳如下的聚类模型：

Cluster models:

◦Homogeneous ensembles

◦Different-k

　　–One of the most successful technique is randomly selecting the number of clusters (k) for each ensemble member

◦Data subspace/subsample

◦Heterogeneous ensembles

◦Mixed heuristics

–　　In addition to using one of the aforementioned methods, any combination of them can be applied

 

而一致性函数归纳如下：

}consensus methods :

◦Feature-based approach

　　It transforms the problem of cluster ensembles to the clustering of categorical data.

◦Direct approach

◦Pairwise similarity approach

◦Graph-based approach

 

论文的创新点就是在这两部中间加入了一步提炼：

NOVEL LINK-BASED APPROACH:

◦1) generating a cluster ensemble

◦2)creating the refined ensemble-information matrix using a link-based similarity algorithm

◦3) producing the final partition (normally referred to as a “consensus function”).　　

计算RA 矩阵公式，在粗糙矩阵下我们可以先知道如下结果，RA 其实就是将d 图中的0，改为 xi 与 C 的相似度，这就是提炼的意思，方法是通关过计算xi属于的类与目标C 的相似度，然后用这个值作为xi 与目标C 的相似度，这就代替了0.

 

 

这个算法计算前需要先计算π₁ 与 π₂ 中类之间的相似度，是两个π之间，π内之间的类相似度怎么算就是这个算法解决的问题。

L_z ∈ X denotes the set of data points belonging to cluster C_z ∈ π.

公式如下：

图示：

C11 类有样本： x1 x2   C21 类有样本： x1 x3

<C11,C21> = {x1}/{x1 x2 x3} = 1/3

在上面的基础上，开始讲解这个算法，算法有3中计算一个聚类中 类间的similary：

Weighted Connected-Triple (WCT):

　　◦WCT extends the Connected-Triple method.

　　◦Formally, a triple, Triple =（V_triple ,E_triple), is a subgraph of G’ containing three vertices V_Triple ={v_x,v_y,v_z} ∈V and two edges ETriple ={e_xz,e_yz} ∈E, with e_xz ∉ E.

　　◦DC ∈[0,1]is a constant decay factor

 

第一条就是 计算xy点关于z 点得到他们之间的similary，xy 是属于一个聚类类结果的类标号，z 是其他聚类结果的类标号。

第二条就是第一条结果的叠加。

第三条就是正规化后加上约束因子，因为RA-matrix 直接知道的结果为1，计算similarity 的应该小一点。

       

图示，这就把RA 矩阵补全了，例如x3 与C11 的项取值，就是Xz 属于的类（C12）与 C11 之间的similarity，即0.9

 

 

}Weighted Triple-Quality (WTQ)

　　◦WTQ is inspired by the initial measure of which evaluates the association between personal home pages.

      

　　◦Note that the method gives high weights to rare features and low weights to features that are common to most of the pages.

 

  N_z ∈V denotes the set of vertices that is directly linked to the vertex v_z such that ∨v_t ∈N_z; |w_zt| > 0.

第一条就是 xy 关于 z 的权重，该式分母其实就是与z 有相关的w 之和。

其他跟上面的一样的。

 

 

Combined Similarity Measure (CSM)：

　　With the objective of obtaining a robust similarity evaluation, this particular algorithm combines the WCT and WTQ measures previously described.

      将上面两种方法结合成第三种。

 

一致性方法的选择：

Consensus Methods for the RA Matrix：

　　◦Feature-Based Partitioning

　　　　–k-means    (KM)

　　　　–k-medoids (PAM)

–

　　◦Bipartite Graph Partitioning

–　　　　weight  SPEC graph-partitioning

 

 

实验结果就不说了，有兴趣的可以下论文能看。