Ludwig-Maximilians-Universität München Institut für Informatik, LFE Datenbanksysteme Prof. Dr. Hans-Peter Kriegel

University of Munich Institute for Computer Science Database and Information Systems

Beschreibung:
 

Beim Clustering - ein Teilproblem des Data Mining - versucht man eine Menge von Objekten so in Klassen einzuteilen, dass Objekte innerhalb einer Klasse möglichst ähnlich und Objekte verschiedener Klassen möglichst unähnlich zueinander sind. In den letzten Jahren wurden einiger sehr gute Clustering-Verfahren entwickelt, die jedoch alle nur für niedrig dimensionale Daten geeignet sind. Bei hochdimensionalen Objekte wie z.B. Bio-Daten, Web Log-Files, Kundendaten oder Zeit-Meßreihen liefern eigentlich alle Algorithmen unbrauchbare Ergebnisse. Dies liegt hauptsächlich am sog. "Curse of Dimensionality": Je mehr Dimensionen ein Raum hat, desto größer ist er, und desto weiter können die einzelnen Objekte in diesem Raum von einander entfernt liegen. Bei vielen Anwendungen sind die Daten im Gesamt-Datenraum sehr "noisy", d.h. sie bilden tatsächlich keine vernünftigen Cluster. Es kann aber sehr wohl sein, dass in niedriger dimensionalen Unterräumen Cluster gebildet werden. Das Problem, in hochdimensionalen Daten niedriger dimensionale Unterräume mit Clustern zu finden, nennt man "Subspace Clustering". Um dieses Problem zu lösen, wurde ein dichte-basierter Ansatz zum Subspace Clustering entwickelt.

Qualifikation:

Ansprechpartner: