ارایه یک روش جدید از خوشه بندی با رویکردهای داده کاوی

ما یک کلاس از الگوریتم های داده کاوی جالب را به کار بردیم و نشان دادیم که اجرای موثر موازی با سرعت بالا در مسائل تولیدی بزرگ بیش از ۵,۷ نسبت به یک سیستم هشت هسته ای می باشد. ما معتقد نیستیم که مطالعات موازی این الگوریتم قبلا مورد بحث قرار گرفته است . اگر چه موازی بودن از تکنیک های موازی با داده های آشنا استفاده می کند، برای انجام کارایی خوب چند هسته ای در برابر حافظه ، حافظه پنهان و سربارهای نوسان در اینجا مورد بحث قرار نمی گیرد. ما در حال حاضر به برنامه های کاربردی با میلیون ها نقطه داده ( PubChem به عنوان مثال دارای ۱۸ میلیون ترکیب شیمیایی است ) و هر کدام با هزاران ویژگی می پردازیم (بعد D در معادلات ۱-۶)؛ یک مجموعه داده فقط چالش را افزایش می دهد؛روش هایی ساده مانند K-means و روش اصلی EM اغلب مینیماهای محلی را پیدا می کنند. در اینجا ما در حال ایجاد مجموعه ای از الگوریتم های داده کاوی قوی هستیم که می تواند مسائل بزرگ و استفاده از تکنیک هایی مانند آنلینگ برای کاهش مینیمم های محلی را انجام دهد.ما معتقدیم که نتایج اولیه می تواند تشویق کننده باشد و نشان می دهد که کد مدیریت شده می تواند الگوریتم هایی با کارایی بالا را ارائه دهد. در آینده ما الگوریتم های بیشتری را بررسی خواهیم کرد و آنها را با همکاران برای کاربردهای جالب مورد استفاده قرار می دهیم . امیدوارم این امر به علم الکترونیکی کمک کند و اصول مهم برنامه نویسی برای سیستم های چند هسته ای تعیین کند.