Кластеризация на основе многослойных самоорганизующихся карт Кохонена
DOI:
https://doi.org/10.24160/1993-6982-2026-1-140-148Ключевые слова:
кластеризация, нейронная сеть, самоорганизующаяся карта КохоненаАннотация
Рассмотрены многослойные самоорганизующиеся карты Кохонена (МСКК) в задаче кластеризации. Обученная МСКК прогнозирует номер кластера, поступившего на ее вход элемента данных. Приведены алгоритмы обучения и определения прогноза МСКК, а также примеры визуализации данных на разных слоях модели. Оценка качества кластеризации выполнена по показателю ACC — точность кластеризации. Эксперимент, в котором эта оценка определяется для МСКК и традиционных методов кластеризации (ТК) на наборах данных Iris и MNIST, показал, что на данных с малым числом признаков (Iris, 4 признака) МСКК превосходит ТК и недостаточную эффективность и МСКК, и ТК на данных, характеризуемых большим числом признаков (MNIST, 784 признака). Проанализированы варианты повышения качества кластеризации на основе МСКК.
Библиографические ссылки
1. Ren Y. e. a. Deep Clustering: a Comprehensive Survey // IEEE Trans. Neural Netw. Learn. Syst. 2025. V. 36(4). Pp. 5858—5878.
2. Kohonen T. The Self-organizing Map // Proc. IEEE. 1990. V. 78(9). Pp. 1464—1480.
3. Popular Unsupervised Clustering Algorithms [Электрон. ресурс] https://scikit-learn.org/stable/api/sklearn.cluster.html (дата обращения 01.05.2025).
4. Lu Shen, Segall R.S. Multi-SOM: an Algorithm for High-Dimensional, Small Size Datasets // Proc. XVI World Multi-conf. Systemics, Cybernetics and Informatics. 2012. V. 1. Pp. 236—241.
5. Nakagawa A., Kutics A. Classification in Big Image Datasets Using Layered-SOM // Proc. XIII Intern. Conf. Signal-image Technol. & Internet-based Systems. 2017. Pp. 143—150.
6. Ichimura T., Yamaguchi T. A Proposal of Interactive Growing Hierarchical SOM // Proc. IEEE Conf. Systems, Man and Cybernetics. Anchorage, 2011. Pp. 3149—3154.
7. Sakkari M., Zaied M. A Convolutional Deep Self-organizing Map Feature Extraction for Machine Learning // Multimedia Tools and Applications. 2020. V. 79. Iss. 27—28. Pp. 19451—19470.
8. Gharaee1 Z. Online Recognition of Unsegmented Actions with Hierarchical SOM Architecture // Cogn. Process. 2021. V. 22. Pp. 77—91.
9. Iris Species [Электрон. ресурс] https://www.kaggle.com/datasets/uciml/iris (дата обращения 01.05.2025).
10. MNIST Database [Электрон. ресурс] https://en.wikipedia.org/wiki/MNIST_database (дата обращения 01.05.2025).
11. Guérin A., Chauvet P., Saubion F. A Survey on Recent Advances in Self-organizing Maps [Электрон. ресурс] https://arxiv.org/abs/2501.08416 (дата обращения 01.05.2025).
12. Хайкин С. Нейронные сети. М.: Издат. дом Вильямс, 2006.
13. Deshmukh A. Variational Quantum Self-organizing Map [Электрон. ресурс] https://arxiv.org/pdf/2504.03584 (дата обращения 01.05.2025).
14. Müller A. Self-organizing Kohonen Map in Python with Periodic Boundary Conditions [Электрон. ресурс] https://github.com/alexarnimueller/som (дата обращения 01.05.2025).
15. Fränti P., Sieranoja S. Clustering Accuracy // Appl. Computing and Intelligence. 2024. V. 4(1). Pp. 24—44.
16. SciPy Documentation [Электрон. ресурс] https://docs.scipy.org/doc/scipy/index.html (дата обращения 01.05.2025).
17. Scikit-learn. Machine Learning in Python. [Электрон. ресурс] https://scikit-learn.org/stable/index.html (дата обращения 01.05.2025).
18. McConville R. N2D: (Not Too) Deep Clustering via Clustering the Local Manifold of an Autoencoded Embedding // Proc. XXV Intern. Conf. Pattern Recognition. 2021. Pp. 5145—5152.
19. Lim K. Deep Clustering Using Adversarial Net-based Clustering Loss. [Электрон. ресурс] https://arxiv.org/html/2412.08933v1 (дата обращения 01.05.2025).
20. Yang X. e. a. Adversarial Learning for Robust Deep Clustering // NeurIPS Proc. 2020. V. 33. Pp. 9098—9108.
21. Wang J., Jiang J. Unsupervised Deep Clustering via Adaptive GMM Modeling and Optimization // Neurocomputing. 2021. V. 433. Pp. 199—211.
22. Yang B. e.a. Towards K-means-friendly Spaces: Simultaneous Deep Learning and Clustering // Proc. XXXIV Intern. Conf. Machine Learning. 2017. V. 70. Pp. 3861—3870.
---
Для цитирования: Бартеньев О.В. Кластеризация на основе многослойных самоорганизующихся карт Кохонена // Вестник МЭИ. 2026. № 1. С. 140—148. DOI: 10.24160/1993-6982-2026-1-140-148
#
1. Ren Y. e. a. Deep Clustering: a Comprehensive Survey. IEEE Trans. Neural Netw. Learn. Syst. 2025;36(4):5858—5878.
2. Kohonen T. The Self-organizing Map. Proc. IEEE. 1990;78(9):1464—1480.
3. Popular Unsupervised Clustering Algorithms [Elektron. Resurs] https://scikit-learn.org/stable/api/sklearn.cluster.html (Data Obrashcheniya 01.05.2025).
4. Lu Shen, Segall R.S. Multi-SOM: an Algorithm for High-Dimensional, Small Size Datasets. Proc. XVI World Multi-conf. Systemics, Cybernetics and Informatics. 2012;1:236—241.
5. Nakagawa A., Kutics A. Classification in Big Image Datasets Using Layered-SOM. Proc. XIII Intern. Conf. Signal-image Technol. & Internet-based Systems. 2017:143—150.
6. Ichimura T., Yamaguchi T. A Proposal of Interactive Growing Hierarchical SOM. Proc. IEEE Conf. Systems, Man and Cybernetics. Anchorage, 2011:3149—3154.
7. Sakkari M., Zaied M. A Convolutional Deep Self-organizing Map Feature Extraction for Machine Learning. Multimedia Tools and Applications. 2020;79;27—28:19451—19470.
8. Gharaee1 Z. Online Recognition of Unsegmented Actions with Hierarchical SOM Architecture. Cogn. Process. 2021;22:77—91.
9. Iris Species [Elektron. Resurs] https://www.kaggle.com/datasets/uciml/iris (Data Obrashcheniya 01.05.2025).
10. MNIST Database [Elektron. Resurs] https://en.wikipedia.org/wiki/MNIST_database (Data Obrashcheniya 01.05.2025).
11. Guérin A., Chauvet P., Saubion F. A Survey on Recent Advances in Self-organizing Maps [Elektron. Resurs] https://arxiv.org/abs/2501.08416 (Data Obrashcheniya 01.05.2025).
12. Khaykin S. Neyronnye Seti. M.: Izdat. Dom Vil'yams, 2006. (in Russian).
13. Deshmukh A. Variational Quantum Self-organizing Map [Elektron. Resurs] https://arxiv.org/pdf/2504.03584 (Data Obrashcheniya 01.05.2025).
14. Müller A. Self-organizing Kohonen Map in Python with Periodic Boundary Conditions [Elektron. Resurs] https://github.com/alexarnimueller/som (Data Obrashcheniya 01.05.2025).
15. Fränti P., Sieranoja S. Clustering Accuracy. Appl. Computing and Intelligence. 2024;4(1):24—44.
16. SciPy Documentation [Elektron. Resurs] https://docs.scipy.org/doc/scipy/index.html (Data Obrashcheniya 01.05.2025).
17. Scikit-learn. Machine Learning in Python. [Elektron. Resurs] https://scikit-learn.org/stable/index.html (Data Obrashcheniya 01.05.2025).
18. McConville R. N2D: (Not Too) Deep Clustering via Clustering the Local Manifold of an Autoencoded Embedding. Proc. XXV Intern. Conf. Pattern Recognition. 2021:5145—5152.
19. Lim K. Deep Clustering Using Adversarial Net-based Clustering Loss. [Elektron. Resurs] https://arxiv.org/html/2412.08933v1 (Data Obrashcheniya 01.05.2025).
20. Yang X. e. a. Adversarial Learning for Robust Deep Clustering. NeurIPS Proc. 2020;33:9098—9108.
21. Wang J., Jiang J. Unsupervised Deep Clustering via Adaptive GMM Modeling and Optimization. Neurocomputing. 2021;433:199—211.
22. Yang B. e.a. Towards K-means-friendly Spaces: Simultaneous Deep Learning and Clustering. Proc. XXXIV Intern. Conf. Machine Learning. 2017;70:3861—3870
---
For citation: Bartenyev O.V. Clustering Based on Multilayer Self-organizing Kohonen Maps. Bulletin of MPEI. 2026;1:140—148. (in Russian). DOI: 10.24160/1993-6982-2026-1-140-148
