평균 이동 알고리즘 기반의 지지 벡터 영역 표현 방법 = Support Vector Data Description using Mean Shift Clustering

국문 초록 (Abstract)

SVDD의 scale problem을 해결하기 위하여, 학습 데이터를 sub-grouping하여 group 단위로 SVDD를 통해 학습함으로서 학습 시간을 줄이는, K-means clustering을 이용한 SVDD 방법(KMSVDD)이 제안되었다. 하지만 KMSVDD는 K means clustering 알고리즘의 본질상 최적의 K값을 정하기 힘들다는 문제와, 동일한 데이터를 학습할지라도 clustered group이 랜덤하게 형성되기 때문에 매번 학습의 결과가 달라지는 문제점이 있었다. 또한 데이터의 분포 상태와 관계없이 무조건 타원(elliptic) 형태의 K개의 cluster로 나누기 때문에 각각의 나눠진 cluster들은 데이터 분포에 대한 특징을 나타내기 힘들게 된다. 이러한 문제점을 해결하기 위하여 본 논문에서는 데이터 분포에서 mode를 먼저 찾은 후 이 mode를 기준으로 clustering하는 Mean Shift clustering 방법을 이용한 SVDD를 제안하고자 한다. 제안된 알고리즘은 KMSVDD와 비교해 데이터 학습 속도에서는 큰 차이가 없으면서도 데이터의 분포 상태를 고려한 형태로 clustering한 sub-group을 학습하므로 학습의 정확도가 일정하게 되며, 각각의 cluster는 데이터 분포의 특징을 포함하는 효과가 있다. 또한 Mean Shift Kernel의 bandwidth의 결정은 K-Means의 K와는 달리 어느 정도 여유를 갖고 결정되어도 학습 결과에는 차이가 없다. 다양한 데이터들을 이용한 모의실험을 통하여 위의 내용들을 검증하도록 한다.

목차 (Table of Contents)

• Abstract
• 1. 서론
• 2. MSC-SVDD
• 3. 실험 결과
• 5. 결론
• 참고문헌