Konstruktivna indukcija s samokodirniki in gručenjem

Kuhar, Yannick (avtor), Robnik Šikonja, Marko (mentor)

Časovna kompleksnost algoritmov za gručenje je odvisna od dimenzionalnosti vhodnih podatkov, zato so počasni na visokodimenzionalnih podatkih. Problem bomo rešili z globokim samokodirnikom. Uporabili smo ga za kompresijo podatkov v manj dimenzij s čimmanjšo izgubo informacije. Reimplementirali in razširili smo postopek DeepCluster, ki so ga predlagali Tian et al [26]. Izvorno ogrodje podpira le algoritma za gručenje K-voditeljev in GMM. Razširili smo ga s hierarhičnim gručenjem, algoritmom DBSCAN in ansambelskim gručenjem. Ocenili smo kvaliteto gruč in samokodirnik interpretirali s konstruktivno indukcijo. Originalni in razširjeni postopek se v naših poskusih nista izkazala za uspešna, smo pa s konstruktivno indukcijo vizualizirali znanje modela in ga predstavili na razumljivejši način.

• Jezik: Slovenski jezik
• Ključne besede: gručenje, konstruktivna indukcija, interpretabilnost modelov, samokodirniki
• Vrsta gradiva: Diplomsko delo/naloga
• Tipologija: 2.11 - Diplomsko delo
• Organizacija: FRI - Fakulteta za računalništvo in informatiko
• Leto izida: 2020
• PID: 20.500.12556/RUL-116753
• COBISS.SI-ID: 32331523
• Datum objave v RUL: 08.06.2020

KUHAR, Yannick, 2020, Konstruktivna indukcija s samokodirniki in gručenjem [na spletu]. Diplomsko delo. [Dostopano 5 maj 2025]. Pridobljeno s: https://repozitorij.uni-lj.si/IzpisGradiva.php?lang=slv&id=116753

Sekundarni jezik

• Jezik: Angleški jezik
• Naslov: Constructive induction using autoencoders and clustering

Izvleček

The time complexity of most clustering algorithms depends on the dimensionality of the input data and thus most clustering algorithms are slow on highdimensional data. To solve this problem, we trained a deep autoencoder and used it to compress the input data into a lower dimensional space with information loss. We reimplemented and extended the DeepCluster framework proposed by Tian et al [26]. The original framework supports only K-means and GMM clusterings. We extended it with hierarchical clustering, DBSCAN, and ensemble clustering. We evaluated the clusters and interpreted the autoencoder with constructive induction. Both frameworks proved to be unsuccessful in our experiments. However, we were able to interpret the model and visualize its knowledge

• Ključne besede: clustering, constructive induction, model interpretability, autoencoders