Evolving clustering algorithm based on mixture of typicalities for stream data mining

Maia, José Everardo Bessa; Severiano, Carlos Alberto; Guimarães, Frederico Gadelha; Castro, Cristiano Leite de; Lemos, André Paim; Galindo, Juan Camilo Fonseca; Cohen, Miri Weiss

doi:10.1016/j.future.2020.01.017

Cited by 41 publications

(27 citation statements)

References 16 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Seja M j = {m j 1 , m j 2 , ..., m j l } o j-ésimo macrogrupo composto por l micro-grupos conectados. Os microgrupos ativos de M j são aqueles cuja densidade D l k é maior ou igual à densidade média do macro-grupo M j [16] ativo(m j l ) =…”

Section: Macro-gruposunclassified

“…Sob essa perspectiva, propõe-se no presente trabalho uma nova abordagem para a definic ¸ão da topologia da rede RBF para o contexto de aprendizado online. Tal metodologia tem como princípio o MicroTeda, algoritmo de agrupamento de fluxos de dados contínuos baseado na mistura de tipicidades, proposto em [16] e aqui descrito na Sec ¸ão anterior. A cada nova amostra de dados recebida, o MicroTeda atualiza os macro-grupos e os utiliza para modelar a camada escondida da rede neural.…”

Section: Rede Neural De Base Radialunclassified

See 1 more Smart Citation

Aprendizado Incremental de Redes RBF via Agrupamento Evolutivo de Fluxos de Dados

Menegaldi¹,

Coelho²,

Castro³

2021

Anais Do 15. Congresso Brasileiro De Inteligência Computacional

View full text Add to dashboard Cite

Em virtude da era do Big Data e dos dispositivos IoT (Internet of Things), onde diversas aplicações presentes no cotidiano das pessoas geram dados a todo momento, surgiu uma demanda por modelos de aprendizado de máquina que são capazes de operar eficientemente em fluxos de dados contínuos. Na literatura há inúmeros algoritmos propostos para esse cenário, entretanto, em sua maioria, tratam-se de modelos de elevada complexidade e que tipicamente requerem o ajuste de diversos hiperparâmetros. O presente trabalho propõe uma maneira simples e eficaz de se definir a topologia da camada escondida da rede neural de base radial, dando a ela a capacidade de aprender incrementalmente. Esta abordagem baseia-se no algoritmo de clusterização evolutiva MicroTeda, tornando possível a atualização da arquitetura da rede à medida que novas amostras de dados são recebidas. Resultados preliminares obtidos sobre bases de dados sintéticas e reais demonstram que a abordagem proposta é promissora mesmo diante de mudanças de conceito (concept drifts) abruptas e graduais.

show abstract

Section: Macro-gruposunclassified

Section: Rede Neural De Base Radialunclassified

Aprendizado Incremental de Redes RBF via Agrupamento Evolutivo de Fluxos de Dados

Menegaldi¹,

Coelho²,

Castro³

2021

Anais Do 15. Congresso Brasileiro De Inteligência Computacional

View full text Add to dashboard Cite

show abstract

“…Embora exista uma quantidade expressiva de abordagens distintas para métodos evolutivos (Moshtaghi et al, 2016;Lemos et al, 2013;Bezerra et al, 2020;Maia et al, 2020;Angelov and Filev, 2004;Škrjanc et al, 2019;Mariano and Caminhas, 2019), algumas se sobressaem, como as baseadas na teoria fuzzy.…”

Section: Métodos Evolutivosunclassified

“…Para fins de validação, foi disponibilizada uma implementação do EMPF em: https://www.github.com/ nayronmorais/EMPF. Foram adicionados quatro métodos com abordagens evolutivas distintas, a saber: AutoCloud (Bezerra et al, 2020), baseado em TEDA (Angelov, 2014); MicroTEDAClus (Maia et al, 2020), também baseado em TEDA, porém, utiliza a estrutura de macro e micro grupos; Online Ellipsoidal Clustering (OEC), utiliza modelos gaussianos; e, Evolving Similarity-Based Modeling Plus (eSBM+), uma evolução do eSBM (Mariano and Caminhas, 2019) desenvolvida pelos próprios autores desse trabalho, ao qualé baseado em cálculo de estimativas e erros de aproximação. Com exceção ao MicroTEDAClus, que utilizou-se a implementação disponibilizada pelos autores com pequenas adaptações ao protocolo de comunicação do EMPF, todos os demais foram implementados a partir do trabalho que o propunha, nos casos onde o método não continha a avaliação de outliers, foi adicionada uma quantidade mínima de pontos k para a efetivação da criação de um novo modelo, como uma forma tratamento.…”

Section: Experimentosunclassified

Proposta de Framework com Foco em Métodos Evolutivos para Detecção, Diagnóstico e Causa Raiz de Falhas em Processos Industriais

Almeida

Caminhas

2020

Anais Do Congresso Brasileiro De Automática 2020

View full text Add to dashboard Cite

Nas últimas décadas houve um crescimento expressivo do grau de complexidadee dimensionalidade dos processos nas indústrias, em parte, devido à revolução tecnológica que vem ocorrendo em igual período. Por consequência, surgiu a necessidade de ferramentas computacionais capazes de lidar com essa nova dinâmica e contribuir positivamente para a supervisão. Neste trabalho, propõe-se um framework escalável para uso no monitoramento de processos e equipamentos que utiliza métodos evolutivos, independente de sua abordagem, para modelar a dinâmica do processo, e permite, ainda, acoplar a saída, um método que buscarexplicar eventuais anormalidades detectadas pelo modelador, por meio da indicação de um conjunto de variáveis que desviam do comportamento esperado. Um experimento utilizando o benchmark DAMADICS é realizado para demonstrar o uso da ferramenta proposta.

show abstract

“…Over the years, there has been an increase in the application of computational models in several fields such as in medical sciences, transportation, marketing, governance and law enforcement due to the recent advancement in computing technologies [18]. The goal of the usage of these data science techniques is to redefine data through the implementation of supervised and unsupervised learning models, thereby extracting useful information to facilitate decision making and the allocation of scarce resources [14,16]. These machine learning models have several application methodology such as in clustering [6].…”

Section: Introductionmentioning

confidence: 99%

Comparative Analysis of K-Means and Traversal Optimisation Algorithms

Adama

Olatunji

Yahaya

et al. 2021

Advances in Intelligent Systems and Computing

View full text Add to dashboard Cite

This research aims to present a technical analysis of the Traversal Optimisation Algorithm (TOA) for clustering and K-means clustering algorithm. The goal is to rigorously test this algorithm against different data specifications beyond what has previously been used with K-means without artificially and subjectively setting the initial number of clusters. The experimental evaluation involve the use of diverse cluster optimisation techniques for K-means while applying a wider range of internal validation methods such as Davies-Bouldin Index, Dunn Index and Silhouette Method, for appraising cluster quality of the Traversal Optimisation Algorithm, while at the same time not compromising the configuration of the default algorithm. The findings in this work shows that the optimisation algorithm's clustering quality as calculated by multiple internal validity indices can be very poor when operating on datasets with varying characteristics. This is owing to the algorithm's lack of any add-on mechanism for computing the optimal number of clusters that a dataset needs apriori. The results reveal that in a data processing contexts where the number of clusters are specified, the TOA yields a favourable cost-benefit in terms of run-time complexity and clustering quality.

show abstract

Evolving clustering algorithm based on mixture of typicalities for stream data mining

Cited by 41 publications

References 16 publications

Aprendizado Incremental de Redes RBF via Agrupamento Evolutivo de Fluxos de Dados

Aprendizado Incremental de Redes RBF via Agrupamento Evolutivo de Fluxos de Dados

Proposta de Framework com Foco em Métodos Evolutivos para Detecção, Diagnóstico e Causa Raiz de Falhas em Processos Industriais

Comparative Analysis of K-Means and Traversal Optimisation Algorithms

Contact Info

Product

Resources

About