On clustering tree structured data with categorical nature

Boutsinas, Basilis; Papastergiou, Thomas

doi:10.1016/j.patcog.2008.05.023

Cited by 20 publications

(5 citation statements)

References 22 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…This gives us considerable flexibility for clustering various types of data, for which the 'natural' dissimilarity measure may not be a metric (see, e.g. [8] for example of dissimilarity measures derived for categorical data). We present here some examples for which the 'natural' dissimilarity measure is an informational divergence.…”

Section: Non-metric Base Dissimilarity Measuresmentioning

confidence: 99%

Clustering with a new distance measure based on a dual-rooted tree

Galluccio

Michel

Comon

et al. 2013

Information Sciences

View full text Add to dashboard Cite

39 pagesInternational audienceThis paper introduces a novel distance measure for clustering high dimensional data based on the hitting time of two Minimal Spanning Trees (MST) grown sequentially from a pair of points by Prim's algorithm. When the proposed measure is used in conjunction with spectral clustering, we obtain a powerful clustering algorithm that is able to separate neighboring non-convex shaped clusters and to account for local as well as global geometric features of the data set. Remarkably, the new distance measure is a true metric even if the Prim algorithm uses a non-metric dissimilarity measure to compute the edges of the MST. This metric property brings added flexibility to the proposed method. In particular, the method is applied to clustering non Euclidean quantities, such as probability distributions or spectra, using the Kullback-Liebler divergence as a base measure. We reduce computational complexity by applying consensus clustering to a small ensemble of dual rooted MSTs. We show that the resultant consensus spectral clustering with dual rooted MST is competitive with other clustering methods, both in terms of clustering performance and computational complexity. We illustrate the proposed clustering algorithm on public domain benchmark data for which the ground truth is known, on one hand, and on real-world astrophysical data on the other hand

show abstract

Section: Non-metric Base Dissimilarity Measuresmentioning

confidence: 99%

Clustering with a new distance measure based on a dual-rooted tree

Galluccio

Michel

Comon

et al. 2013

Information Sciences

View full text Add to dashboard Cite

show abstract

“…4) Mean Distance of Brother Nodes (mdisbr): the mean distance of a specific node from its Brother Nodes. The distance of two nodes d(x,y) is calculated using the dissimilarity measure presented in (Boutsinas and Papastergiou, 2008). The dissimilarity between any two attribute values is repesented by the distance between the corresponding nodes of the tree structure as defined by the following formula:…”

Section: The Proposed Interestingness Measuresmentioning

confidence: 99%

On Aligning Interesting Parts of Ontologies

2009

Proceedings of the International Conference on Knowledge Engineering and Ontology Development

View full text Add to dashboard Cite

Ontology merging/alignment is one of the most important tasks in ontology engineering. It is imposed by the decentralized nature of both the WWW and the Semantic Web, where heterogeneous and incompatible ontologies can be developed by different communities. Usually, ontology merging/alignment is based on an ontology mapping that has been established in a previous phase. In this paper, we define a new problem within the alignment process: the problem of detecting and then updating only interesting parts of an ontology, based on the knowledge included in another one. To this end, we define and evaluate a number of different measures of interestingness of parts of ontologies. We also present experimental results for their evaluation on test ontologies.

show abstract

“…Όπως είναι φυσικό, μια τεχνική μελωδικού τεμαχισμού [6] θα μπορούσε να χρησιμοποιηθεί με σκοπό να εξασφαλίσει εισαγόμενες εγγραφές (input records). Παρόλα αυτά, είναι αλήθεια ότι δεν υπάρχει ένας μοναδικός σωστός τεμαχισμός ενός μουσικού κομματιού.…”

Section: πειραματικά αποτελέσματαunclassified

“…Τέλος, υπάρχουν επίσης ποικίλα άλλα μέτρα ομοιότητας που χρησιμοποιούνται στην ομαδοποίηση και εφαρμόζονται σε δομημένα δεδομένα, (βλέπε [6] για μία επισκόπηση αυτών), π.χ. δεδομένα δομημένα σε μορφή δένδρου, τα οποία δεν φαίνεται, από όσο συμπεράναμε, να συνεισφέρουν σημαντικά στην ομοιότητα μουσικών μοτίβων.…”

Section: εισαγωγήunclassified

Δημιουργία Ευφυούς Συστήματος Για Αυτόματη Σύνθεση Μουσικού Έργου

Χαλκιόπουλος¹

View full text Add to dashboard Cite

Θα ήθελα καταρχήν από τη θέση αυτή να ευχαριστήσω θερμά τον ουσιαστικό επιβλέποντα της Διδακτορικής μου Διατριβής καθώς και Επιστημονικό Υπεύθυνο του Έργου, τον Αναπληρωτή Καθηγητή κ. Βασίλειο Βουτσινά για την αμέριστη βοήθεία του προκειμένου να ολοκληρωθεί το παρόν ερευνητικό έργο. Η μακρόχρονη και επίπονη ακαδημαϊκή καθοδήγησή του ήταν καθοριστική στην επιστημονική μύησή μου, ιδιαίτερα στο πραγματικά γοητευτικό γεμάτο νότες ερευνητικό πεδίο με το οποίο ασχοληθήκαμε τα τελευταία χρόνια. Σημαντικότατη ήταν και η συμβολή του Επίκουρου Καθηγητή κ. Ιωάννη Χατζηλυγερούδη για τις χρήσιμες υποδείξεις του και τις συμβουλές του κατά τη διάρκεια της εκπόνησης της παρούσας Διδακτορικής Διατριβής. Επίσης θα ήθελα να ευχαριστήσω θερμά και τον Καθηγητή κ. Χαράλαμπο Μπότσαρη για την εξαιρετική συνεργασία που είχαμε όλα αυτά τα χρόνια. Τέλος θα ήθελα να ευχαριστήσω θερμά τους γονείς μου για τη συμπαράσταση τους, την κατανόηση τους και την υπομονή τους σε όλη τη διάρκεια αυτής της εργασίας. Είμαι ιδιαίτερα ευγνώμων για όσα μου έχουν προσφέρει όλα αυτά τα χρόνια και σίγουρα σε αυτούς χρωστάω τα πάντα. Θα ήθελα να τους ευχαριστήσω για όλες τις θυσίες που έχουν κάνει ώστε να μου δώσουν την δυνατότητα να ασχοληθώ απερίσπαστος με κάτι τόσο συναρπαστικό όσο η αναζήτηση της γνώσης.

show abstract

On clustering tree structured data with categorical nature

Cited by 20 publications

References 22 publications

Clustering with a new distance measure based on a dual-rooted tree

Clustering with a new distance measure based on a dual-rooted tree

On Aligning Interesting Parts of Ontologies

Δημιουργία Ευφυούς Συστήματος Για Αυτόματη Σύνθεση Μουσικού Έργου

Contact Info

Product

Resources

About