Adaptive Resonance Theory (ART) is an unsupervised clustering algorithm that enables fast and incremental learning. However, there are three limitations of fusion ART which is most frequently used ART network. 1) Basically, fusion ART divides the data into hyper-rectangles called category boxes. If the input data belongs to overlapping area of multiple category boxes, it can not be clustered properly. 2) Because fusion ART can only divide data into hyper-rectangles, if the data consists of arbitrarily shaped clusters, it can not be clustered properly. 3) Finally, multiple clustering, many-to-many mapping is not possible. In this paper, we analyzed the limitations and proposed multi-channel Centroid-driven Grouping based ART (CG-ART) to solve the limitations. In the multi-channel CG-ART, the concept of centroid is introduced and the grouping process is added. Each cluster has a centroid vector, and a cluster with the centroid vector closest to the input vector is selected. This allows proper clustering even when the input vectors belong to overlapping area of multiple category boxes. In the grouping process, the degree of overlapping of the category boxes is measured. When the overlapping degree is larger than the user-defined grouping parameter, clusters are grouped together. This allows clustering data consisting of arbitrarily shaped clusters. In addition, multiple clustering is also possible because clustering results are different for each user-defined grouping parameter. In the latter part of this paper, CG-ART is applied to episodic memory. Episodic memory is an architecture that can learn, recall, and retrieve episodes that are the sequence of events. In this paper we proposed Deep CG-ART that can recall multiple episodes by applying the proposed algorithm to Deep ART, which is a representative episodic memory architecture. In the simulation chapter, we measured and compared the performance of CG-ART in 11 benchmark data sets. Performance was measured by normalized mutual information and clustering purity. In the application chapter, Deep CG-ART was implemented to learn 38 episodes and we confirmed that it recalls multiple episodes.
적응적 공명 이론 (ART)는 무감독 클러스터링 알고리즘으로 빠르고 누적 학습이 가능하다. 그러나 ART 네트워크로 많이 사용되는 fusion ART는 세 가지 한계점이 있다. 1) 기본적으로 fusion ART는 데이터를 카테고리 박스라 불리는 초평면 사각형으로 나눈다. 이때 입력 데이터가 여러 카테고리 박스의 겹치는 부분에 속한다면, 제대로 클러스터링 할 수 없다. 2) Fusion ART는 데이터를 초평면 사각형으로만 나눌 수 있기 때문에 데이터가 임의의 모양을 가지는 클러스터로 이루어져 있다면, 적절하게 클러스터링 할 수 없다. 3) 마지막으로 다 대다 매핑인 다중 클러스터링을 할 수 없다. 이 논문에서는 위의 한계점들을 분석하고 이를 해결할 수 있는 다중 채널 무게중심 주도의 그룹화 기반 적응적 공명이론 (multi-channel CG-ART)을 제안한다. Multi-channel CG-ART에서는 무게중심 개념이 도입되고 그룹화 과정 (grouping process)이 추가된다. 각 클러스터는 무게중심 벡터를 갖고, 입력 벡터와 가장 가까운 무게중심 벡터를 갖는 클러스터가 선택된다. 이를 통해 입력 벡터가 여러 카테고리 박스에 속할 때도 적절하게 클러스터링을 할 수 있다. 그룹화 과정에서는 카테고리 박스의 겹치는 정도를 측정하고, 겹치는 정도가 사용자가 정의한 그룹화 매개변수 보다 크면 하나로 합친다. 이를 통해 임의의 모양의 클러스터로 이루어진 데이터도 클러스터링 할 수 있다. 추가적으로 사용자가 정의한 그룹화 매개변수마다 클러스터링 결과가 다르기 때문에 다중 클러스터링 또한 가능하게 된다. 이 논문의 후반부에서는, CG-ART를 일화기억에 응용한다. 일화기억이란 사건의 순서인 일화를 학습, 회상, 그리고 상기 시킬 수 있는 구조이다. 본 논문에서는, 대표적인 일화기억 구조인 Deep ART에 제안한 알고리즘을 적용해 다중 일화회상이 가능한 Deep CG-ART를 제안한다. 시뮬레이션 장에서는 11개의 벤치 마크 데이터 셋에서 CG-ART의 성능을 측정 및 비교 하였다. 성능은 normalized mutual information과 clustering purity로 측정하였으며 다른 알고리즘에 비해 좋은 결과를 보였다. 응용 장에서는 Deep CG-ART를 구현하여 38개의 일화를 학습시키고 다중 일화를 회상하는 것을 확인하였다.
