KaydedilenlerDerginizi ekleyin

Dergiler / Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi / 2021 / Cilt: 8 - Sayı: 14

3-KCP ÇÖZÜM BULMAK İÇİN DENETİMSİZ ÖĞRENME ALGORİTMASI: MODÜLERLİK, KLİK SÜZME, SPEKTRAL, MERKEZİYET VE HİYERARŞİK KÜMELEME

UNSUPERVISED MACHINE LEARNING ALGORITHMS TO FIND 3-KCP SOLUTION: MODULARITY, CLIQUE PERCOLATION, SPECTRAL, CENTRALITY, AND HIERARCHICAL CLUSTERING

Serkan GÜLDAL
Sayfa
169–178
Yayın Tarihi
2022-10-12
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Modülerliğin belirtilen kümeleme algoritmalarıyla karşılaştırılmamız modülerlik algoritmasının diğer metotlara göre daha avantajlı olduğu gösterdi çünkü karşılaştırılan algoritma, N-KCP anlamında yanlış kümeler veya modülerlikle tanımlanan kümeler olarak sonuçlandı.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Denetimsiz öğrenme algoritmaları, bilgiyi minimum insan etkileşimi ile çıkardıkları için birçok mühendislik uygulamasında kullanılırlar.
📊
Temel Bulgular & Veri:Bu çalışmada, modülerlik sınıflandırması ile doğası gereği kombinatorik bir problem olan 3-KCP'yi çözmeyi amaçlıyoruz.
💡
Sonuç & Katkı:Modülerliğin belirtilen kümeleme algoritmalarıyla karşılaştırılmamız modülerlik algoritmasının diğer metotlara göre daha avantajlı olduğu gösterdi çünkü karşılaştırılan algoritma, N-KCP anlamında yanlış kümeler veya modülerlikle tanımlanan kümeler olarak sonuçlandı.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:At Çizelgesi · Modülerlik · Denetimsiz öğrenme

Özet

Denetimsiz öğrenme algoritmaları, bilgiyi minimum insan etkileşimi ile çıkardıkları için birçok mühendislik uygulamasında kullanılırlar. Modülerlik verileri sınıflandırmak için iyi bilinen denetimsiz öğrenme algoritmalarından biridir, böylece ilişkisel bilgiler vurgulanır. Yakın ilişkili veri noktaları, nispeten yoğun alt topluluklar oluşturmak için bir araya gelir. Böylece, veri noktaları (yada düğümler) arasındaki anlamlı ilişkiler, veri noktalarının ortak özelliklerine genişletilebilir. Bu çalışmada, modülerlik sınıflandırması ile doğası gereği kombinatorik bir problem olan 3-KCP'yi çözmeyi amaçlıyoruz. Bununla birlikte sonuçlarımızı iyi bilinen kümeleme algoritmaları Klik Süzme, Spektral, Merkeziyet ve Hiyerarşik kümeleme ile karşılaştırdık. Araştırmamız, 0.1'den 2.1'e genişletilmiş çözünürlükleri içerir ve 1.0, tüm 3-KCP çözümlerini bulmak için en uygun çözünürlük olduğunu gösteriyor. Modülerliğin belirtilen kümeleme algoritmalarıyla karşılaştırılmamız modülerlik algoritmasının diğer metotlara göre daha avantajlı olduğu gösterdi çünkü karşılaştırılan algoritma, N-KCP anlamında yanlış kümeler veya modülerlikle tanımlanan kümeler olarak sonuçlandı.

Abstract

Unsupervised learning algorithms are used in many engineering applications since they extract information by the minimum human interaction. Modularity is one of the well known unsupervised machine learning algorithms to classify the network of information, so the relational information is highlighted. The closely related data points gather together to create relatively dense subcommunities. Thus, the meaningful relationships between data points (a.k.a. nodes or vertices) could be extended to the common properties of the data points. In this study, we aim to solve 3-KCP which is inherently a combinatorics problem by the modularity classification. Additionally, we compared the result with the well-known clustering algorithms, namely Clique Percolation, Spectral, Centrality, and Hierarchical clustering. Our investigation by means of modularity includes extended resolutions from 0.1 to 2.1, and 1.0 is the optimum resolution to find all 3-KCP solutions for the Modularity algorithm. Comparison of the modularity with the specified clustering algorithms shows the superiority of the modularity algorithm because compared algorithm provides wrong clusters by means of N-KCP or identified clusters by modularity.

🔖

Bu Makaleye Atıf Yap

GÜLDAL, S. (2022). 3-KCP ÇÖZÜM BULMAK İÇİN DENETİMSİZ ÖĞRENME ALGORİTMASI: MODÜLERLİK, KLİK SÜZME, SPEKTRAL, MERKEZİYET VE HİYERARŞİK KÜMELEME. Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 8 - Sayı: 14, 169–178. https://ajindex.com/articles/428601

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (1)

  1. V. D. Blondel, J.-L. Guillaume, R. Lambiotte, E. J. J. o. s. m. t. Lefebvre, and experiment, "Fast unfolding of communities in large networks," vol. 2008, no. 10, p. P10008, 2008. Y. Tian and M. Compere, "A Case Study on Visual-Inertial Odometry using Supervised, Semi-Supervised and Unsupervised Learning Methods," in 2019 IEEE International Conference on Artificial Intelligence and Virtual Reality (AIVR), 9-11 Dec. 2019 2019, pp. 203-2034, doi: 10.1109/AIVR46125.2019.00043. H. Yan, P. Yu, and D. Long, "Study on Deep Unsupervised Learning Optimization Algorithm Based on Cloud Computing," in 2019 International Conference on Intelligent Transportation, Big Data & Smart City (ICITBS), 12-13 Jan. 2019 2019, pp. 679-681, doi: 10.1109/ICITBS.2019.00168. M. S. Bartlett, J. R. Movellan, and T. J. Sejnowski, "Face recognition by independent component analysis," IEEE Transactions on Neural Networks, vol. 13, no. 6, pp. 1450-1464, 2002, doi: 10.1109/TNN.2002.804287. M. A. Kabir and X. Luo, "Unsupervised Learning for Network Flow Based Anomaly Detection in the Era of Deep Learning," in 2020 IEEE Sixth International Conference on Big Data Computing Service and Applications (BigDataService), 3-6 Aug. 2020 2020, pp. 165-168, doi: 10.1109/BigDataService49289.2020.00032. Q. Li, J. Zhao, and X. Zhu, "An Unsupervised Learning Algorithm for Intelligent Image Analysis," in 2006 9th International Conference on Control, Automation, Robotics and Vision, 5-8 Dec. 2006 2006, pp. 1-5, doi: 10.1109/ICARCV.2006.345232. Y. Wang and Y. Xu, "Unsupervised Learning of Accurate Camera Pose and Depth From Video Sequences With Kalman Filter," IEEE Access, vol. 7, pp. 32796-32804, 2019, doi: 10.1109/ACCESS.2019.2903871. Y. He, N. Sang, C. Gao, and J. Han, "Online Unsupervised Learning Classification of Pedestrian and Vehicle for Video Surveillance," Chinese Journal of Electronics, vol. 26, no. 1, pp. 145-151, 2017, doi: 10.1049/cje.2016.08.011. C. Teng and Y. Chen, "Syndrome-Enabled Unsupervised Learning for Neural Network-Based Polar Decoder and Jointly Optimized Blind Equalizer," IEEE Journal on Emerging and Selected Topics in Circuits and Systems, vol. 10, no. 2, pp. 177-188, 2020, doi: 10.1109/JETCAS.2020.2992593. T. C. Clancy, A. Khawar, and T. R. Newman, "Robust Signal Classification Using Unsupervised Learning," IEEE Transactions on Wireless Communications, vol. 10, no. 4, pp. 1289-1299, 2011, doi: 10.1109/TWC.2011.030311.101137. D. Ying, Y. Yan, J. Dang, and F. K. Soong, "Voice Activity