Çok görünümlü kümeleme için karınca koloni optimizasyonu temelli bir yaklaşım

Abstract

Günümüzde sensör teknolojilerinin gelişmesi ve nesnelerin internetinin yaygın olarak kullanılması ile veriler farklı kaynaklardan farklı türlerde gelebilmektedir. Bu nedenle, farklı bakış açılarını ve/veya farklı veri kaynaklarını bütünleştiren çok görünümlü veri ile bu veri için geliştirilmiş makine öğrenmesi yöntemleri önem kazanmaktadır. Bu çalışmada, gözetimsiz öğrenme yaklaşımlarından biri olan çok görünümlü kümeleme problemi ele alınmıştır. Bu doğrultuda, çalışmada verideki farklı görünümleri bütünleşik ele alarak aynı kümedeki nesnelerin birbirlerine benzer, farklı kümelerdeki nesnelerin birbirlerinden farklı olacak şekilde gruplandırılması amaçlanmıştır. Bu doğrultuda, problemin çözümü için sürü zekasına dayalı meta-sezgisel yöntemlerden biri olan karınca koloni optimizasyonu (KKO) kullanılmıştır ve KKO temelli çok görünümlü kümeleme yaklaşımı önerilmiştir. Önerilen yaklaşım ile farklı görünümler için görünüm ağırlıkları optimize edilerek her kümedeki en iyi temsilci nesne belirlenmiştir. Önerilen yaklaşımın performansının değerlendirilmesi için karşılaştırmalı veri kümeleri ile deneysel çalışmalar gerçekleştirilmiştir. Yapılan deneysel çalışmalarda önerilen yaklaşımın performansı, klasik tek görünümlü kümeleme algoritmalarının performansı ile karşılaştırılmıştır ve çok görünümlü kümelemenin tamamlayıcı etkisi ile faydası değerlendirilmiştir. Ayrıca, önerilen algoritma sağlık sektöründe anomali tespitinde kullanılmıştır.Today, with the development of sensor technologies and the widespread use of the Internet of Things, data can come in different types from different sources. Therefore, multi-view data that integrate different perspectives and/or different data sources and machine learning methods developed for this data gain importance. In this study, the problem of multi-view clustering, which is one of the unsupervised learning approaches, is addressed. Accordingly, the aim of this study is to group objects in the same cluster similar to each other and objects in different clusters different from each other by integrating different views in the data. Accordingly, ant colony optimization (ACO), one of the meta-heuristics based on swarm intelligence, is used to solve the problem and a multi-view clustering approach based on ACO is proposed. With the proposed approach, the best representative object in each cluster is determined by optimizing the appearance weights for different views. To evaluate the performance of the proposed approach, experimental studies were carried out with comparative datasets. In the experimental studies, the performance of the proposed approach is compared with the performance of classical single-view clustering algorithms and the complementary effect and benefit of multi-view clustering is evaluated. In addition, the proposed algorithm has been used in anomaly detection in the health sector.