Erhöhungskonstruierte Clustering durch minimale gewichtete Änderung

Clustering ist eine etablierte Aufgabe im Bereich des Data Mining, die darauf abzielt, Dateninstanzen anhand ihrer Ähnlichkeit zu gruppieren. Es handelt sich um eine explorative und überwachungsfreie Aufgabe, deren Ergebnisse von zahlreichen Parametern abhängen und häufig eine mehrfache Iteration durch den Experte erfordern, bis eine zufriedenstellende Lösung erreicht ist. Constrained Clustering wurde eingeführt, um die Erwartungen des Experten präziser zu modellieren. Dennoch ist constrained Clustering bisher nicht ausreichend, da die Constraints in der Regel vor Beginn des Clustering-Prozesses vorgegeben werden müssen. In diesem Artikel behandeln wir ein allgemeineres Problem, das darauf abzielt, den explorativen Clustering-Prozess durch eine Folge von Clustering-Modifikationen zu modellieren, bei denen Constraints dynamisch während des Prozesses hinzugefügt werden. Wir präsentieren einen inkrementellen, konstrainsbasierten Clustering-Framework, der aktive Abfragemethoden und ein Constraint-Programming-Modell integriert, um die Erwartungen des Experten zu erfüllen, während gleichzeitig die Stabilität der Partition erhalten bleibt, sodass der Experte den Prozess nachvollziehen und dessen Auswirkungen verstehen kann. Unser Modell unterstützt sowohl Instanz- als auch Gruppen-Level-Constraints, die zudem relaxiert werden können. Experimente an Referenzdatensätzen sowie eine Fallstudie zur Analyse von Zeitreihen von Satellitenbildern belegen die Relevanz unseres Ansatzes.