自己組織化ネットワークによるクラスタ変遷の可視化

抄録

世の中の様々な出来事や物理現象は時間と共に変化するため，時系列を考慮して現象の主要な変化とその成分を捉えることは重要である．著者らは教師なしニューラルネットワークのひとつである自己組織化マップ(SOM)学習モデルを拡張し，動的データのクラスタ変遷を可視化するSequence-based SOM (SbSOM)を提案している．本稿では，2次元の人工系列データおよび実データを用いて，クラスタの融合・分離，クラスタ領域の拡大・縮小，クラスタ間の関係の変化が読み取れることを示し，自己組織化ネットワークによる可視化編纂の可能性を探る．