스펙트럴 클러스터링을 위한 앙상블 학습

앙상블 클러스터링은 클러스터링 작업에서 높은 성능을 보이며 기계학습 및 데이터 마이닝 분야에서 많은 주목을 받고 있다. 스펙트럴 클러스터링은 가장 인기 있는 클러스터링 방법 중 하나로, 전통적인 클러스터링 방법에 비해 우수한 성능을 나타낸다. 기존의 앙상블 클러스터링 방법들은 보통 기저 클러스터링 알고리즘의 클러스터링 결과를 직접적으로 앙상블 학습에 활용하지만, 이는 스펙트럴 클러스터링에서 그래프 라플라시안을 통해 탐색된 데이터의 내재적 구조를 효과적으로 활용하지 못함으로써 원하는 클러스터링 결과를 도출하기 어렵다. 본 논문에서는 스펙트럴 클러스터링 기반의 클러스터링 알고리즘을 위한 새로운 앙상블 학습 방법을 제안한다. 각 기저 스펙트럴 클러스터링 알고리즘의 스펙트럴 임베딩에서 직접 클러스터링 결과를 사용하는 대신, 제안된 방법은 각 기저 알고리즘의 스펙트럴 임베딩을 기반으로 앙상블 학습을 통해 강건한 그래프 라플라시안 표현을 학습한다. 이후, 학습된 그래프 라플라시안에서 얻어진 스펙트럴 임베딩에 대해 k-means 알고리즘을 적용하여 클러스터를 도출한다. 합성 데이터 및 실세계 데이터셋에 대한 실험 결과를 통해 제안된 방법이 기존의 다른 앙상블 클러스터링 방법들보다 우수한 성능을 보임을 확인하였다.