競合学習を用いた情報理論的クラスタリング

摘要

情報理論的クラスタ1）ング（ITC：inbrmation-theoretic clustering）は，特徴分布の類似性によりクラスタをまとめる方法である．近年，クラスタリング基準が明確化され，この基準の最適化によるITCアルゴリズムが提案された．このアルゴリズムは，k-means法においてデータが属するクラスタラベルを更新するときに評価関数としてKL（Kullback Leibler）ダイバージュンスを用いる．本論文では，この考え方に基づき，新しいアルゴリズムを提案する．提案手法は，ゼロ頻度問題を回避するため，KLダイバージエンスの代わりにその近似であるskewダイバージュンスを用い，学習アルゴリズムとしては，k-means法に対する優位性が確認されている競合学習を用いる．いくつかの実験により，提案手法はテキストデータを対象とした多クラス問題において最大マージンクラスタリングなどの既存アルゴリズムに比べて優れていることを示した．