13.03.2025, 10:00 Uhr
Universität Wien
Besprechungsraum 3.28
Währinger Str. 29
1090 Wien
Titel: A Unified Perception of Density for Clustering
Kurzfassung:
Dichtebasierte Clustering-Algorithmen wie DBSCAN sind hoch effektiv, aber sensitiv gegenüber der
Wahl der Parameter, insbesondere des Nachbarschaftsradius (ε) und der minimalen Anzahl benachbarter
Punkte zur Bildung eines Clusters (minPts). In dieser Arbeit wird ein Ansatz zur Automatisierung
der Parameterabstimmung durch Integration der persistenten Homologie, einer Technik aus der
topologischen Datenanalyse, vorgestellt. Die persistente Homologie analysiert topologische
Merkmale, wie z. B. verbundene Komponenten und Zyklus, über mehrere räumliche Skalen hinweg und
verbessert so die Genauigkeit und Robustheit der Clusterbildung.
Die Studie untersucht die Beziehung zwischen dichtebasiertem Clustering und topologis- chen
Strukturen anhand synthetischer Datensätze mit unterschiedlicher Dimensionalität, Dichte und
Noise-Anteile. Die Ergebnisse der Experimente zeigen, wie Einsichten aus der persistenten Homologie
helfen, optimale Parameterwerte zu identifizieren, indem Clustering-Ergebnisse und die
entsprechenden ε-Graphen in verschiedenen Einstellungen analysiert werden. Darüber hinaus wird die
Robustheit der Methodik unter unterschied- lichen initialen Bedingungen und in Gegenwart von
Rauschen validiert.
Die vorgeschlagene Technik verbessert den Prozess der Parameterwahl, sodass DBSCAN und verwandte
Algorithmen effektiv auf verschiedenen Datensätzen angewendet werden können. Sie kombiniert
topologische Erkenntnisse mit Clustering-Techniken und schafft eine Grundlage für robuste,
skalierbare und automatisierte Ansätze zur Analyse komplexer
Daten.