본 논문은 그래프 모델 기반 클러스터링 방법의 한계점을 해결하기 위해 새로운 클러스터링 방법인 CMDI(Clustering method for Maximizing Decoding Information)를 제안합니다. 기존 방법들이 노드 간 랜덤 워크 접근의 불확실성과 데이터 내 잠재된 구조 정보를 고려하지 못하는 점을 보완하기 위해, CMDI는 2차원 구조 정보 이론을 도입하여 그래프 구조 추출 및 그래프 정점 분할의 두 단계로 구성됩니다. 그래프 분할은 최대 디코딩 정보를 활용하여 정점 방문의 불확실성을 최소화하는 추상적인 클러스터링 문제로 재구성됩니다. 실제 데이터셋을 이용한 실험 결과, CMDI는 기존 방법들보다 우수한 디코딩 정보 비율(DI-R)을 보이며, 특히 사전 지식(PK)을 고려할 때 효율성이 더욱 향상됨을 보여줍니다.
시사점, 한계점
•
시사점:
◦
그래프 모델 기반 클러스터링에서 노드 간 랜덤 워크 접근의 불확실성 및 데이터의 구조 정보를 효과적으로 고려하는 새로운 방법 제시.
