A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä
Improving Scalable K-Means++ (2021)
Hämäläinen, J., Kärkkäinen, T., & Rossi, T. (2021). Improving Scalable K-Means++. Algorithms, 14(1), Article 6. https://doi.org/10.3390/a14010006
JYU-tekijät tai -toimittajat
Julkaisun tiedot
Julkaisun kaikki tekijät tai toimittajat: Hämäläinen, Joonas; Kärkkäinen, Tommi; Rossi, Tuomo
Lehti tai sarja: Algorithms
eISSN: 1999-4893
Julkaisuvuosi: 2021
Ilmestymispäivä: 27.12.2020
Volyymi: 14
Lehden numero: 1
Artikkelinumero: 6
Kustantaja: MDPI AG
Julkaisumaa: Sveitsi
Julkaisun kieli: englanti
DOI: https://doi.org/10.3390/a14010006
Julkaisun avoin saatavuus: Avoimesti saatavilla
Julkaisukanavan avoin saatavuus: Kokonaan avoin julkaisukanava
Julkaisu on rinnakkaistallennettu (JYX): https://jyx.jyu.fi/handle/123456789/73628
Tiivistelmä
Two new initialization methods for K-means clustering are proposed. Both proposals are based on applying a divide-and-conquer approach for the K-means‖ type of an initialization strategy. The second proposal also uses multiple lower-dimensional subspaces produced by the random projection method for the initialization. The proposed methods are scalable and can be run in parallel, which make them suitable for initializing large-scale problems. In the experiments, comparison of the proposed methods to the K-means++ and K-means‖ methods is conducted using an extensive set of reference and synthetic large-scale datasets. Concerning the latter, a novel high-dimensional clustering data generation algorithm is given. The experiments show that the proposed methods compare favorably to the state-of-the-art by improving clustering accuracy and the speed of convergence. We also observe that the currently most popular K-means++ initialization behaves like the random one in the very high-dimensional cases
YSO-asiasanat: tiedonlouhinta; klusterianalyysi; algoritmiikka; algoritmit
Vapaat asiasanat: clustering initialization; K-means‖; K-means++; random projection
Liittyvät organisaatiot
Hankkeet, joissa julkaisu on tehty
- Yliopistojen profiloitumisen vahvistaminen kilpaillulla rahoituksella. Profilointitoimet JYU:ssä, 3. kierros
- Hämäläinen, Keijo
- Suomen Akatemia
- Hybridinanopartikkelien rakenteiden ennustaminen tekoälyä hyväksi käyttäen
- Kärkkäinen, Tommi
- Suomen Akatemia
OKM-raportointi: Kyllä
Raportointivuosi: 2021
JUFO-taso: 1