arXiv:1511.09123

A Short Survey on Data Clustering Algorithms

Ka-Chun Wong

제출 2015-11-25

원문 초록

With rapidly increasing data, clustering algorithms are important tools for data analytics in modern research. They have been successfully applied to a wide range of domains; for instance, bioinformatics, speech recognition, and financial analysis. Formally speaking, given a set of data instances, a clustering algorithm is expected to divide the set of data instances into the subsets which maximize the intra-subset similarity and inter-subset dissimilarity, where a similarity measure is defined beforehand. In this work, the state-of-the-arts clustering algorithms are reviewed from design concept to methodology; Different clustering paradigms are discussed. Advanced clustering algorithms are also discussed. After that, the existing clustering evaluation metrics are reviewed. A summary with future insights is provided at the end.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.27409v1cs.LG공통 태그 Speech Recognition, Survey

생물 다양성 모니터링을 위한 능동 학습: 라벨 효율에서 신뢰 가능한 생태학적 추론까지

Active Learning for Biodiversity Monitoring: From Label Efficiency to Reliable Ecological Inference

전문가 어노테이션 역량의 한계는 생물 다양성 모니터링에서 흔한 제약이다. 수동 음향 기록 장치와 카메라 트랩은 전문가가 분석할 수 있는 속도보다 빠르게 데이터를 생성한다. 기계 학습(ML) 모델은 이러한 데이터를 대규모로 처리할 수 있지만, 그 신뢰성은 라벨이 붙은 표본의 품질, 양, 커버리지에 달려 있어 전문가 시간은 여전히 병목이다. 능동 학습(active learning, AL)은 고정된 어노테이션 예산 하에서 모델을 가장 크게 개선할 것으로 기대되는 표본을 선택함으로씨 이 병목을 완화하며, 발표된 근거에 따르면 목표 성능에 도달하는 데 필요한 라벨 수를 줄일 수 있다. 그러나 모니터링 프로그램은 더 넓은 질문에 직면한다: 제한된 전문가 예산을 어떻게 나누어야 모델 학습, 검증, 그리고 모델 출력에 기반한 생태 추정이 모두 신뢰 가능하게 유지되는가? AL은 표본을 비무작위로 선택하므로, 그 라벨은 검증, 보정(calibration), 또는 임계값 선택에 적합하지 않으며, 이 긴장은 드물게 인식된다. 우리는 음향 및 영상 양식에 걸친 AL 연구를 종합하고 공백과 기회를 식별한다. 대부분의 연구는 시뮬레이션 어노테이터를 사용한 사전 라벨 벤치마크에서 쿼리 전략을 평가하며, 실제 모니터링 워크플로에서의 배포는 드물고 조류와 고래류에 집중되어 있다. 박쥐, 곤충, 양서류, 어류는 과소 대표되며, 멀티모달 응용은 대체로 미탐색 상태이다. 평가는 어노테이션 노력의 헤드라인 감소에 초점을 맞추는 경우가 많고, 무작위 샘플링 베이스라인, 클래스별 결과, 또는 보정 분석 없이, 검증에 필요한 라벨을 거의 반영하지 않는다. 우리는 이러한 예산 결정을 명시적으로 드러내는 AL 루프에 대한 튜토리얼적 정리를 제공하고, 라벨 효율적 학습, 검증, 신뢰할 수 있는 하류 생태학적 추론을 지원하는 AL 방법을 향한 로드맵을 제시한다.

arXiv:2607.21777v1cs.HC공통 태그 Clustering, Survey

AI 통합 과학 탐구: 과학 교육을 위한 실천 중심 비전

AI-Integrated Scientific Inquiry: A Practice-Centered Vision for Science Education

인공지능(AI)은 과학 탐구의 일부가 되었다. 과학자들은 AI를 사용해 현상을 관찰·측정하고, 데이터에서 패턴을 식별하며, 모델을 구축한다. AI가 과학 탐구에 들어오면서 과학 교육과의 연관성도 커진다. 학생들은 AI가 과학적 실천을 어떻게 바꾸고 있는지 배워야 하며, 이상적으로는 AI 통합 과학 탐구에 직접 참여하면서 배워야 한다. 이러한 교수를 어떻게 설계할지—독립 주제로 가르치기보다는 진정한 과학적 실천에 기반하여—는 여전히 열린 질문이다. 우리의 비전(본 논문에서 설명함)에서 AI는 학생들이 차세대 과학 기준(Next Generation Science Standards)이 설명하는 과학적 실천 안에서 사용하는 일련의 과학적 도구로 취급된다. 각 도구는 진정한 과학적 도구이되 교육적으로 범위가 설정된다. 즉, 핵심 과학적 기능은 보존하면서 조작은 단순화된다. 이 접근법에는 두 가지 목표가 있다. 학생들을 진정한 과학 탐구에 참여시키는 것, 그리고 과학에서 AI가 어떻게 사용되는지와 어디서 오해를 불러일킬 수 있는지에 대한 이해를 형성하는 것(학문 분야 기반 AI 리터러시, DAIL)이다. 본 논문에서는 탐구의 조사 핵심—관찰, 분석, 모델링—에 초점을 맞추고, 각각에 대해 하나의 대표적인 AI 도구를 설명한다. 관찰에는 컴퓨터 비전(computer vision), 분석에는 클러스터링(clustering), 모델링에는 생성 모델링(generative modeling)이다. 우리는 과학 교육의 모든 AI 도구는 AI 도구 자체에 대한 비판적 평가를 촉진하는 별도의 성찰 지점(reflection point)을 갖춰야 한다고 주장한다. 마지막으로, 단일 실천이 아니라 전체 탐구 과정에 걸쳐 작동하는 에이전트 AI(agentic AI)를 어떻게 표현할 수 있는지 설명하며, 학생들은 에이전트 AI에 의존하기 전에 과학 탐구와 AI 도구에 대한 기초적 이해를 먼저 형성해야 한다고 주장한다.

arXiv:2607.20937v1cs.AI공통 태그 Clustering, Survey

클러스터형 엣지 지능: 엣지 컴퓨팅과 AI의 단순한 수렴을 넘어

Clustered Edge Intelligence: Beyond Just Convergence of Edge Computing and AI

우리는 정보 시대에서 지능 시대로 나아가고 있다. 10년, 혹은 그보다 짧은 기간 안에 데이터는 더 이상 금(gold)이 아니라, 데이터와 네트워크 엣지(edge)에서 보유한 정보로부터 파생된 지능이 그 역할을 대신할 것이다. 기존 엣지 지능(Edge Intelligence) 연구는 주로 두 방향에 집중한다: 엣지 자원 관리를 위한 AI 활용, 그리고 엣지 디바이스에 경량 AI 모델 배포. 그러나 기존 엣지 컴퓨팅 연구에는 파생된 지능을 1급(first-class)이며 독립적으로 관리 가능한 개체로 취급하고, 이를 기술(describe), 발견(discover), 관찰(observe), 공유(share), 재사용(reuse), 이기종(heterogeneous) 엣지 디바이스와 애플리케이션 간에 동적으로 클러스터링할 수 있는 지능 중심(intelligence-centric) 프레임워크가 부재하다. 이러한 연구 공백을 해소하기 위해, 우리는 비전형 지능 중심 접근법인 클러스터형 엣지 지능(Clustered Edge Intelligence, CEI)을 제안한다. CEI의 목표는 지능을 공유 가능하고 재사용 가능한 1급 개체로 만들어, 분산된 엣지-클라우드 연속체(edge-cloud continuum) 전반에 걸쳐 독립적으로 표현, 발견, 관찰, 교환, 관리할 수 있게 하는 것이다. 우리는 3층 CEI 아키텍처를 제시하고, 지능 인벤토리(intelligence inventories), 의미론적 지식 표현(semantic knowledge representation), 통신(communication), 발견 가능성(discoverability), 관찰 가능성(observability), 수명주기 자동화(lifecycle automation), 클러스터링 메커니즘(clustering mechanisms), 마켓플레이스(marketplaces), 상호운용성(interoperability), 표준화(standardization) 등을 포함한 지원 기술과 연구 차원을 검토한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.