Earticle

본 연구에서는 클러스터링 기법을 사용하여 전체 데이터에서 영향력이 큰 대표점들을 찾아내고 이를 이용하여 네트워크 구조상에서 가장 빠르게 정보를 확산할 수 있는 방법을 제안하여 이를 통해 새로운 마케팅 전략을 제시하고자 한다. 기존의 다대다 마케팅이 아닌 개별 마케팅의 수단으로 소셜 네트워크를 사용하고 power law distribution 의 이론에 따라 네트워크 구조상의 데이터에서 대표점을 그래프 클러스터링을 이용하여 구한다. 그리하여 이러한 대표점을 가지고 정보를 보다 작은 비용으로 확산 시킬 수 있으며, 그 대표점이 속한 클러스터의 성향을 분석하면 원하는 특정 계층에 집중하여 정보를 확산 시키는 것도 가능하다.

This paper presents a feature level fusion approach which uses the improved K-medoids clustering algorithm and isomorphic graph for face and palmprint biometrics. Partitioning around medoids (PAM) algorithm is used to partition the set of n invariant feature points of the face and palmprint images into k clusters. By partitioning face and palmprint images with scale invariant features SIFT points, a number of clusters are formed on both the images. Then on each cluster, an isomorphic graph is drawn. Most probable pair of graphs is searched using iterative relaxation algorithm from all possible isomorphic graphs for a pair of corresponding face and palmprint images. Finally, graphs are fused by pairing the isomorphic graphs into augmented groups in terms of addition of invariant SIFT points and in terms of combining pair of keypoint descriptors by concatenation rule. Experimental results obtained from the extensive evaluation show that the proposed feature level fusion with the improved K-medoids partitioning algorithm improves the performance of the system.

Reinforcement Learning is an area of machine learning that studies the problem of solving sequential decision making problems. The agent must learn behavior through trial-and-error interaction with a dynamic environment. Learning efficiently in large scale problems and complex tasks demands a decomposition of the original complex task into simple and smaller subtasks. In this paper, we present a subgoal-based method for automatically creating useful skills in reinforcement Learning. Our method identifies subgoals using a local graph clustering algorithm. The main advantage of the proposed algorithm is that only the local information of the graph is considered to cluster the agent state space. Clustering of the transition graphs corresponding to MDPs can be performed in linear time using the proposed method. Subgoals discovered by the algorithm are then used to generate skills using the option framework. Experimental results show that the proposed subgoal discovery algorithm has a dramatic effect on the learning performance.

Clustering has an extensive and long history in a variety of scientific fields. Several recent studies of complex networks have suggested that the clustering analysis on networks has been an emerging research issue in data mining due to its variety of applications. Many graph clustering algorithms have been proposed in recent past, however, this clustering approach remains a challenging problem to solve real-world situation. In this work, we propose an aspiration criteria based graph clustering algorithm using stochastic local search for generating lower cost clustering results in terms of robustness and optimality for real-world complex network problems. In our proposed algorithm, all moves are meaningful and effective during the whole clustering process which indicates that moves are only accepted if the target node has neighbouring nodes in the destination cluster (moves to an empty cluster are the only exception to this instruction). An adaptive approach in our method is in incorporating the aspiration criteria for the best move (lower-cost changes) selection when the best non-tabu move involvements much higher cost compared to a tabued move then the tabued move is permitted otherwise the best non-tabu move is acceptable. Extensive experimentation with synthetic and real power-law distribution benchmark datasets show that our algorithm outperforms state-of-the-art graph clustering techniques on the basis of cost of clustering, cluster size, normalized mutual information (NMI) and modularity index of clustering results.

Various graph clustering methods have been introduced to identify communities in social or biological networks. This paper studies the entropy-based and the Markov chain-based methods in clustering the undirected graph. We examine the performance of two clustering methods with conventional methods based on quality measures of clustering. For the real applications, we collect the mathematical subject classification (MSC) codes of research papers from published mathematical databases and construct the weighted code-to-document matrix for applying graph clustering methods. We pursue to group MSC codes into the same cluster if the corresponding MSC codes appear in many papers simultaneously. We compare the MSC clustering results based on the several assessment measures and conclude that the Markov chain-based method is suitable for clustering the MSC codes.

We introduce a fully automatic clustering method to classier candidate paralog clusters from a set of protein sequences within one genome. A set of protein sequences is represented as a set of nodes, each represented by the amino acid sequence for a protein with the sequence similarities among them constituting a set of edges in a graph of protein relationships. We use graph-based clustering methods to identify structurally consistent sets of nodes which are strongly connected with each other. Our results are consistent with those from current leading systems such as COG/KOG and KEGG based on manual curation. All the results are viewable at http://www.cs.rutgers.edu/${\sim}$seabee.

A new graph-theoretic clustering method based on relaxation labeling is proposed. More accurate classification is achieved by using relaxation labeling which take advantage of contextual information. Moreover, threshold selection is not needed in this method.

The biomedical industry uses graph mining to store a variety of data. It features a feature that makes a lot of info accessible. However, the majority of individuals are mainly concerned with learning about illnesses and medications. Creating drug models and novel chemical molecules in the medical industry is called relational medicine. Patients may have adverse reactions to the medication due to the dissimilarity of the compound's molecules. It suggests that complex molecular characteristics don't affect the dataset's classification and are independent of one another. We aim to increase the effectiveness of graph mining-based drug selection by analyzing the success rate of drug selection using Fuzzy Multilayer Neural Perception (FMNP). Marginal Subset Clustering Features (MSCF), the input used to generate the chosen classes, are processed utilizing these features. The system first preprocessed all patient features and suggested medication molecule compounds to create a consolidated dataset. Distance vector features linked to edge weights are used in feature selection to create relationship patterns. The features are chosen based on the estimated Relational Drug Combination Weight (RDCW). Additionally, the implementation updates the logic rules and gives the neural classifier predictions for feature weights. Using a neural classifier and iterative logic rules, FMNP forecasts training outcomes. The classifier continuously predicts and suggests chemical molecules to lower the possibility of adversative effects.

영향력 전파 문제는 주어진 네트워크 환경에서 영향력을 최대화 할 수 있는 top-k 노드를 찾는 문제로 데이터 마이닝 분야에서 활발히 연구되어왔다. 본 논문에서는 그래프 클러스터링 기법을 사용하여 영향력을 전파하는 방법을 제안하고자 한다. 이러한 방법에는 두 가지 이점이 있는데 먼저 서로 다른 시드 사이에 영향력이 중복되는 블로킹 현상을 제거하여 수행시간을 단축시킬 수 있다. 다음으로는 유 방향 그래프인 경우 기존의 탐욕 알고리즘보다 더 많은 노드에 전파를 가능하게 한다.

군 임무 환경에서 사용되는 탐지 및 공격 무기체계와 같은 자원의 수가 증가함에 따라 자원을 임무 요구사항에 맞게 효율적으로 활용하기 위하여, 자원의 기능 및 능력을 서비스로 표현하고 동적으로 조합될 수 있도록 하는 서비스 기반 임무 계획 기법들이 제안되었다. 이를 위해서 서비스들을 관리하고 요청에 따라 동적으로 할당해 줄 수 있도록 하는 서비스 코디네이션 기법에 대한 연구가 중요시 되고 있다. 기존에 주로 연구된 중앙 집중형 서비스 코디네이션 기법은 임무 수행을 위한 서비스 및 과업의 수가 증가함에 따라 단일 노드에 부하가 집중됨으로써 병목(Bottleneck) 현상이 발생할 수 있고, 고장이 발생하면 시스템 전체가 동작하지 않는 치명적 오류의 지점이 될 수 있다는 단점이 있다. 이러한 문제를 해결하기 위해 네트워크를 통해 연결된 다수의 노드들에 의해 서비스의 처리가 가능하도록 하는 분산 서비스 코디네이션 기법이 제안되었다. 본 논문에서는 군의 전술 임무 환경에서 서비스 기반 임무 계획을 위한 분산 서비스 코디네이션 기법을 소개하고, 분산 서비스 코디네이션에 따라 발생할 수 있는 게이트웨이 간 통신 오버헤드를 최소화하기 위하여 클러스터링 알고리즘을 활용한 자원 할당 기법을 제안한다. 시뮬레이션을 통하여 본 논문에서 제안하는 알고리즘이 그리디(Greedy) 및 랜덤 할당(Random Allocation) 알고리즘에 비해 게이트웨이 외부 서비스 참조 횟수 및 통신 오버헤드를 10~20% 더 줄일 수 있었다.

As the amount of avaliable resources of detecting and attacking enemies is increased in the defense domain, the approaches of servicizing the weaponry resources and making them dynamically composed together to support mission plans have been developed. The core part of these approaches includes the service management, representation of the functionalities and capabilities of weaponry resources, and dynamic service reconfiguration based on changes in mission requirements and/or mission environments. Distributed service coordination is an essential issue in dynamic service reconfiguration because services should be managed at runtime and assigned to appropriate resources dynamically in a mission environment. The centralized service coordination approaches have the single point failure problem and may cause the centralized server to become a bottleneck as the number of requests increases. To overcome these limitations, we propose a mission-oriented and distributed service coordination approach that supports a collaborative execution of services based on connected resource-nodes in a tactical network. We developed a dynamic resource allocation algorithm for minimizing the communication overhead between gateways based on the graph clustering algorithm. We showed the effectiveness of the proposed approach by performing a simulation. The result shows that the communication overhead can be reduced by 10 to 20% in comparison to the greedy and random allocation algorithms.

추천 시스템의 정확도를 향상시키기 위한 방법으로 그래프 클러스터링을 활용한다. 본 논문에서는 실험을 통하여 RWR 알고리즘을 사용하는 추천 시스템의 정확도를 Modularity 기반 클러스터링 알고리즘을 활용함으로써 개선하는 것을 보인다.

본 논문에서는 Wireless Sensor Network상에서 전체 노드들의 lifetime을 증대시키기 위하여 "random한" 방식으로 cluster-head를 선출하는 LEACH 알고리즘이 가지고 있는 cluster-head 선출 과정에서 선출되는 수와 선출되는 노드들의 위치가 적절히 분산되지 않는 문제를 해결하기 위해 변형된 Graph Coloring 문제를 기반으로 노드의 위치 정보를 사용하지 않고 cluster-head를 적절히 분산하여 선출함으로써 효율적인 clustering을 하는 중앙처리 방식의 새로운 알고리즘 "GCCA : Graph Coloring based Clustering Algorithm for Wireless Sensor Networks" 을 제안한다. GCCA는 cluster-head가 선출되는 수를 일정하게 유지하고 선출되는 노드의 위치가 전체 network area에 적절히 분산되는 효과를 가져 옴으로 LEACH 알고리즘보다 에너지 효율이 증대됨을 실험을 통하여 보인다.

소비와 공간의 관계성은 인간의 보행현상을 통해 표출될 수 있다. 인간이 이동하면서 연속적으로 공간을 지각하는 행위가 공간경험으로 나타날 수 있기 때문이다. 테마파크는 방문객의 이동을 통해 소비가 이루어지는 관광공간으로서 방문객의 보행현상은 공간의 활성화 정도를 파악하는 척도로 볼 수 있다. 이에 이 연구는 방문객의 사후태도에 주목하고 있는 기존의 테마파크 연구에 대한 대안으로서 테마파크의 보행현상을 객관적으로 검증하여 효율적인 공간활용방안을 제시하는데 목적이 있다. 이와 같은 연구목적을 해결하기 위해 서울랜드를 대상으로 정량적 분석모델인 가시성 그래프 분석(Visibility Graph Analysis: VGA)과 시공간이동밀도분석(Space-Time Clustering Analysis) 을 실시하였다. 분석결과, 가시성 그래프 분석을 통해 나타난 산출지표는 실제 보행빈도와 유의미한 관계가 있는 것으로 나타났으며, 가시통합도가 높게 나타난 보행집중구간은 시공간이동밀도분석의 지체구간과 다소 차이가 있는 것으로 파악되었다. 즉 테마파크의 보행현상은 보행환경에 따라 긍정적 또는 부정적인 현상으로 나타날 수 있기 때문에 공급자는 보행순환을 원활하게 촉진시키는 전략을 제시할 필요성이 있다고 판단된다. 이 연구의 결과는 테마파크의 효율적인 시설배치 및 동선계획의 수립을 위한 기초자료로 유용하게 활용될 수 있을 것이라 기대된다.

The relationship between consumption and space can be explained as people's movement pattern. That is because actions that people perceive the sequentially presented spaces as they move become spatial experience. A theme park is the tourism space where the consumption occurs per visitors’ movement, and thus this movment can be considered as a proxy to measure the vitalization of space. A movement pattern can play a role as a critical factor in improving the quality of spatial experience that visitors perceive. Therefore, the purpose of this study is to suggest the efficient space utilization plan by verifying a visitor's movement pattern in a theme park. To achieve that, the Visibility Graph Analysis(VGA) and the space-time clustering analysis were performed in Seoul Land theme park. The result showed that there was a significant relationship between visual integration and a visitor's movement frequency. Since the visitor's movement patterns in the theme park may appear positively or negatively depending on the walking environment, practitioners need to make an effective strategy to promote a visitor's movement circulation smoothly. The results of this study can be utilized as a basic data to establish an efficient facility layout and a visitor's movement circulation plan.

SOFM(Self-organizing Feature Map)은 고차원의 데이타를 군집화(clustering)하거나 시각화(visualization)하기 위해 많이 사용되고 있는 비교사 학습 신경망(unsupervised neural network)의 한 종류이며, 컴퓨터비전이나 패턴인식 분야에서 다양하게 활용되고 있다. 최근 SOFM이 실제 응용분야에 다양하게 활용되고 좋은 결과를 보이고 있지만, 학습된 SOFM의 뉴론(neuron)을 다시 군집화해야 하는 후처리가 필요하며, 대부분의 경우 수동으로 이루어지고 있다. 후처리를 자동으로 하기 위해 k-means와 같은 기존의 군집화 알고리즘을 많이 이용하지만, 이 방법은 특히 다양한 모양의 클래스를 가진 고차원의 데이타에서 만족스럽지 못한 결과를 보인다. 다양한 모양의 클래스에서 좋은 성능을 보이기 위해, 본 논문에서는 그래프 컷(graph cut)을 이용하여 학습된 SOFM을 자동으로 군집화하는 방법을 제안한다. 그래프 컷을 이용할 때 터미널(terminal)이라는 두 개의 추가적인 정점(vertex)이 필요하며, 터미널과 각 정점 사이의 가중치는 대부분 사용자에 의해 입력받은 사전정보를 기반으로 설정된다. 제안된 방법은 SOFM의 거리 매트릭스(distance matrix)를 기반으로 한 모드 탐색(mode-seeking)과 모드의 군집화를 통하여 자동으로 사전정보를 설정하며, 학습된 SOFM의 군집화를 자동으로 수행한다. 실험에서 효율성을 검증하기 위해 제안된 방법을 텍스처 분할(texture segmentation)에 적용하였다. 실험 결과에서 제안된 방법은 기존의 군집화 알고리즘을 이용한 방법보다 높은 정확도를 보였으며, 이는 그래프기반의 군집화를 통해 다양한 모양의 클러스터를 처리할 수 있기 때문이다.

The Self-organizing Feature Map(SOFM) that is one of unsupervised neural networks is a very powerful tool for data clustering and visualization in high-dimensional data sets. Although the SOFM has been applied in many engineering problems, it needs to cluster similar weights into one class on the trained SOFM as a post-processing, which is manually performed in many cases. The traditional clustering algorithms, such as t-means, on the trained SOFM however do not yield satisfactory results, especially when clusters have arbitrary shapes. This paper proposes automatic clustering on trained SOFM, which can deal with arbitrary cluster shapes and be globally optimized by graph cuts. When using the graph cuts, the graph must have two additional vertices, called terminals, and weights between the terminals and vertices of the graph are generally set based on data manually obtained by users. The Proposed method automatically sets the weights based on mode-seeking on a distance matrix. Experimental results demonstrated the effectiveness of the proposed method in texture segmentation. In the experimental results, the proposed method improved precision rates compared with previous traditional clustering algorithm, as the method can deal with arbitrary cluster shapes based on the graph-theoretic clustering.