ГІБРИДНІ ТА АНСАМБЛЕВІ МЕТОДИ КЛАСТЕРИЗАЦІЇ ЯК ОСНОВА МАСШТАБОВАНОЇ АНАЛІТИКИ ВЕЛИКИХ ДАНИХ

ГІБРИДНІ ТА АНСАМБЛЕВІ МЕТОДИ КЛАСТЕРИЗАЦІЇ ЯК ОСНОВА МАСШТАБОВАНОЇ АНАЛІТИКИ ВЕЛИКИХ ДАНИХ Анотація.Стрімке зростання обсягів, швидкості надходження та різнорідності даних у сучасних інформаційних системах зумовлює підвищені вимоги до методів кластеризації, які застосовуються в системах підтримки прийняття рішень, кібербезпеці, медико-біологічній аналітиці та промисловому IoT.Класичні алгоритми кластеризації (k-means, DBSCAN, ієрархічні методи) демонструють обмежену масштабованість і деградацію якості в умовах високої розмірності та потокових сценаріїв.Глибинні підходи на основі автоенкодерів забезпечують ефективне нелінійне стискання ознак, проте характеризуються високими обчислювальними витратами та обмеженою інтерпретованістю, тоді як ґраткові алгоритми, попри високу швидкодію, практично не застосовуються без попереднього зменшення розмірності, а ансамблеві механізми рідко інтегруються з глибинними моделями.У статті запропоновано архітектуру AutoGridEnsemble -модульний гібридний підхід до кластеризації великих і потокових даних, що поєднує автоенкодерне формування латентного простору, адаптивну ґраткову кластеризацію та ансамблеве узгодження часткових розбиттів.Така архітектура забезпечує масштабованість завдяки фіксованій обчислювальній складності grid-етапу, підвищену стійкість до шуму через ансамблеву агрегацію та покращену інтерпретованість результатів за рахунок проєкції кластерів у вихідний простір ознак.Окреслено ключові теоретичні обмеження та шляхи їх подолання, а також сформульовано гіпотезу щодо переваг AutoGridEnsemble порівняно з окремими глибинними та ґратковими методами за критеріями точності, стабільності та швидкодії.