Resumen

Con el desarrollo de Internet de Todo, como Internet de las Cosas, Internet de las Personas e Internet Industrial, se está generando big data. El clustering es una técnica ampliamente utilizada para el análisis y la minería de big data. Sin embargo, la mayoría de los algoritmos actuales no son efectivos para clusterizar datos heterogéneos, lo cual es común en el big data. En este documento, proponemos un algoritmo de CFS de alto orden (HOCFS) para clusterizar datos heterogéneos combinando el algoritmo de clustering CFS y el modelo de aprendizaje profundo con dropout, cuya funcionalidad se basa en tres pilares: (i) un modelo de aprendizaje profundo con dropout adaptativo para aprender características de cada tipo de dato, (ii) un modelo tensorial de características para capturar las correlaciones de datos heterogéneos, y (iii) un algoritmo de CFS de alto orden basado en distancias tensoriales para clusterizar datos heterogéneos. Además, verificamos nuestro algoritmo propuesto en diferentes conjuntos de datos, comparándolo con otros dos esquemas de clustering, es decir, HOPCM y CFS. Los resultados confirman la efectividad del algoritmo propuesto en la clusterización de datos heterogéneos.

• Materias:Algoritmo dinámico Redes Inalámbricas Redes de Comunicación Sistema de colas Teoría de juegos
• Subjects:Dynamic Algorithm Wireless Networks Communication networks Queuing systems Game theory
• Palabras claves:Internet de todo; Big data; Agrupación; Datos heterogéneos; Algoritmo CFS; Aprendizaje profundo
• Keywords:Internet of everything; Big data; Clustering; Heterogeneous data; CFS algorithm; Deep learning