Neue Herausforderungen für dichtebasiertes Clustering

Abstract

Knowledge Discovery in Databases (KDD) ist der Prozess der semiautomatischen Extraktion von Wissen aus Datenbanken, das gültig, bisher unbekannt und potentiell nützlich für eine gegebene Anwendung ist. Clustering ist ein möglicher Teilschritt in diesem Prozess. Dabei sollen die Objekte einer Datenbank anhand ihrer Ähnlichkeit in Gruppen (Cluster) partitioniert werden. Das dichtebasierte Clustermodell ist unter einer Vielzahl anderer Clustering-Ansätze eine der erfolgreichsten Me- thoden zum Clustering. Dieser Beitrag befasst sich mit neuartigen Problemfeldern des Clusterings. Anhand aktueller Anwendungen werden neue Herausforderungen an den dichtebasierten Clustering-Ansatz identifiziert und innovative Lösungen dazu erarbeitet. Details zu den vorgestellten Techniken können in [Kr$\ddot o04$] gefunden werden.