As in the case of the OSKM algorith

As in the case of the OSKM algorithm, we ensure that recent data
points are given greater importance than older data points. This is
achieved by creating a time-sensitive weight for each data point. It is
assumed that each data point has a time-dependent weight defined by the
function f(t). The function f(t) is also referred to as the fading function.
The fading function f(t) is a non-monotonic decreasing function which
decays uniformly with time t. The aim of defining a half life is to quantify
the rate of decay of the importance of each data point in the stream
clustering process. The decay-rate is defined as the inverse of the half
life of the data stream. We denote the decay rate by λ = 1/t0. We denote
the weight function of each point in the data stream by f(t)=2−λ·t
.
From the perspective of the clustering process, the weight of each data
point is f(t). It is easy to see that this decay function creates a half life
of 1/λ. It is also evident that by changing the value of λ, it is possible
to change the rate at which the importance of the historical information
in the data stream decays.

Kết quả (Việt) 1:

Như trong trường hợp của các thuật toán OSKM, chúng tôi đảm bảo rằng dữ liệu gần đâyđiểm được đưa ra tầm quan trọng lớn hơn so với điểm dữ liệu lớn. Điều này làđạt được bằng cách tạo ra một lượng thời gian nhạy cảm cho mỗi điểm dữ liệu. Nó làgiả định rằng mỗi điểm dữ liệu có một trọng lượng phụ thuộc vào thời gian được xác định bởi cácchức năng f(t). Chức năng f(t) cũng được gọi là chức năng mờ dần.Mờ dần chức năng f(t) là một không monotonic giảm chức năng đóphân rã thống nhất với thời gian t. Mục đích của việc xác định một nửa cuộc sống là để định lượngtỷ lệ phân rã của tầm quan trọng của mỗi điểm dữ liệu trong luồngtrong quá trình kết cụm. Mức phân rã được xác định là nghịch đảo của một nửacuộc sống của các dòng dữ liệu. Chúng tôi biểu thị mức phân rã bằng λ = 1/t0. Chúng tôi biểu thịchức năng trọng lượng của mỗi điểm trong dòng dữ liệu bởi f (t) = 2−λ·t.Từ quan điểm của quá trình kết cụm, trọng lượng của mỗi dữ liệuđiểm là f(t). Nó rất dễ dàng để xem chức năng phân rã này tạo ra một nửa đờisố 1/λ. Nó cũng là điều hiển nhiên rằng bằng cách thay đổi giá trị của λ, nó có thểđể thay đổi tỷ lệ mà tại đó tầm quan trọng của thông tin lịch sửtrong phân rã dòng dữ liệu.

Kết quả (Việt) 2:

Như trong trường hợp của thuật toán OSKM, chúng tôi đảm bảo rằng dữ liệu gần đây
điểm được đưa ra tầm quan trọng lớn hơn điểm dữ liệu cũ. Điều này được
thực hiện bằng cách tạo ra một khối lượng thời gian nhạy cảm đối với mỗi điểm dữ liệu. Nó được
giả định rằng mỗi điểm dữ liệu có trọng lượng phụ thuộc thời gian quy định của
hàm f (t). Hàm f (t) cũng được gọi là chức năng mờ dần.
Các chức năng mờ dần f (t) là một hàm giảm không đơn điệu mà
phân rã thống nhất với thời gian t. Mục đích của việc xác định một cuộc sống một nửa là để định lượng
tỷ lệ sâu về tầm quan trọng của mỗi điểm dữ liệu trong dòng
quá trình clustering. Sự phân rã suất được định nghĩa như là nghịch đảo của một nửa
cuộc sống của các dòng dữ liệu. Chúng tôi biểu thị tốc độ phân hủy bởi λ = 1 / t0. Chúng tôi biểu thị
các hàm trọng của mỗi điểm trong dòng dữ liệu của f (t) = 2 λ · t
.
Từ quan điểm của quá trình phân nhóm, trọng lượng của từng dữ liệu
điểm là f (t). Nó rất dễ dàng để thấy rằng chức năng phân rã này tạo ra một cuộc sống nửa
của 1 / λ. Nó cũng cho thấy, bằng cách thay đổi giá trị của λ, nó có thể
thay đổi tốc độ mà tầm quan trọng của thông tin lịch sử
trong luồng dữ liệu phân rã.