Труды КНЦ вып.9 (ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ) вып. 9/2019(10)

Заключение Анализ методов решения задач Constrained Clustering показал, что, как и в случае задачи классического кластерного анализа, большинство из них являются приближенными, а не точными. Данные методы не предназначены для систематического исследования пространства поиска и, в общем случае, не позволяют найти глобальный оптимум при рассмотрении задачи Constrained Clustering как задачи комбинаторной оптимизации. Появление мощных SAT- solvers и технологии программирования в ограничениях позволило решать многие интересные практически значимые задачи комбинаторного поиска, характеризующиеся большой размерностью, с помощью точных методов (методов систематического поиска). Однако, проведенный анализ показал, что данные средства декларативного программирования всё ещё редко применяются в задачах Data Mining, в целом, и в задачах Constrained Clustering, в частности. В связи с изложенным, представляется перспективной разработка новых методов удовлетворения ограничений для различных постановок задач Constrained Clustering. Литература 1. Han J. Data Mining: Concepts and Techniques. 3rd Edition / J. Han, M. Kamber, J. Pei; Morgan Kaufmann Publishers Inc. - San Francisco, CA, USA, 2011. 703 p. 2. Luxburg U. A Tutorial on Spectral Clustering // Statistics and Computing. 2007. Vol. 17, № 4. pp. 395-416. 3. MacQueen J.B. Some Methods for Classification and Analysis o f MultiVariate Observations // In: L. M. Le Cam and J. Neyman, editeurs. Proceedings o f the fifth Berkeley Symposium on Mathematical Statistics and Probability, University o f California Press. 1967. V. 1. pp. 281-297. 4. Gonzalez T. Clustering to Minimize the Maximum Intercluster Distance // Theoretical Computer Science. 1985. V. 38. pp. 293-306. 5. Hansen P. Complete-Link Cluster Analysis by Graph Coloring. / P. Hansen, M. Delattre // Journal o f the American Statistical Association. 1978. V. 73, № 362. p p .397-403. 6. Brusco M. J. An Enhanced Branch-and-Bound Algorithm for a Partitioning Problem // British Journal o f Mathematical and Statistical Psychology. 2010. Vol. 56, № l.p p . 83-92. 7. Brusco M. J. A Repetitive Branch-and-Bound Procedure for Minimum Withincluster Sum o f Squares Partitioning // Psychometrika. 2006. Vol. 71, № 2. p p .347-363. 8. Wagstaff K. Clustering with Instance-Level Constraints / K. Wagstaff, C. Cardie // In Proceedings o f the 17th International Conference on Machine Learning, pages. 2000 .pp. 1103-1110. 9. Davidson I. A Survey o f Clustering with Instance Level Constraints / 1. Davidson, S. Basu // ACM Transactions on Knowledge Discovery from Data. 2007. V. 1. pp. 1-41. 10. Davidson I. Clustering with Constraints: Feasibility Issues and the k-Means Algorithm / 1. Davidson, S.S. Ravi // In Proceedings o f the 5th SIAM International Conference on Data Mining. 2005. pp. 138-149. 124