STING হল Statistical Information Grid-এর সংক্ষিপ্ত রূপ। STING একটি গ্রিড-বেইজড মাল্টি-রেজোলিউশন ক্লাস্টারিং মেথড যেখানে স্পেশিয়াল এরিয়া রেক্ট্যাঙ্গুলার সেলে ভাগ করা হয়। এমন রেক্ট্যাঙ্গুলার সেলের বেশ কিছু লেভেল থাকে যারা মাল্টিপল লেভেল অফ রেজোলিউশন সমতুল্য, এবং এই সেলগুলো একটি হায়ারার্কিক্যাল স্ট্রাকচার গঠন করে যেখানে উচ্চ লেভেলের প্রতিটি সেল ভাগ হয়ে পরবর্তী নিম্ন লেভেলে বেশ কিছু সেল তৈরি করে।
প্রতিটি গ্রিড সেলে অ্যাট্রিবিউট সম্পর্কিত Статистиক্যাল ডেটা (mean, maximum, and minimum values সহ) প্রিকম্পিউটেড এবং সংরক্ষিত থাকে। উচ্চ-লেভেল সেলের Statiatical parameters নিম্ন-লেভেল সেলের প্যারামিটার থেকে সহজে ক্যালকুলেট করা যায়।
এই প্যারামিটারগুলো شامل: অ্যাট্রিবিউট-ইন্ডিপেন্ডেন্ট প্যারামিটার, count, এবং অ্যাট্রিবিউট-ডিপেন্ডেন্ট প্যারামিটার, mean, stdev (standard deviation), min (minimum), max (maximum); এবং সেলে অ্যাট্রিবিউট ভ্যালু যে ডিস্ট্রিবিউশন ফলো করে তার টাইপ, যার মধ্যে normal, uniform, exponential, or none (যদি ডিস্ট্রিবিউশন টাইপ অজানা থাকে)।
রেকর্ডস ডাটাবেসে লোড হলে, বটম-লেভেল সেলের parameters count, mean, stdev, min, and max সরাসরি রেকর্ডস থেকে কম্পিউট করা হয়। Distribution-এর ভ্যালু ইউজার দ্বারা অ্যাসাইন করা যেতে পারে যদি ডিস্ট্রিবিউশন টাইপ আগে থেকে জানা থাকে অথবা hypothesis tests (যেমন χ² test) দ্বারা প্রাপ্ত করা যায়।
উচ্চ-লেভেল সেলের ডিস্ট্রিবিউশন টাইপ ইভ্যালুয়েট করা যেতে পারে এর সমতুল্য নিম্ন-লেভেল সেলের ডিস্ট্রিবিউশন টাইপের বাল্ক এবং একটি থ্রেশহোল্ড ফিল্টারিং প্রসিডিউর के কনজান্কশনে। যদি নিম্ন-লেভেল সেলের ডিস্ট্রিবিউশন একে অপরের সাথে ডিসঅগ্রি করে এবং থ্রেশহোল্ড টেস্ট ফেল করে, উচ্চ-লেভেল সেলের ডিস্ট্রিবিউশন টাইপ none-এ সেট করা হয়।
Grid-based clustering methods একটি multi-resolution grid data structure ব্যবহার করে। এটি অবজেক্ট স্পেসকে কোয়ান্টাইজ করে multiple cells-এ যা একটি গ্রিড স্ট্রাকচার গঠন করে যার ওপর ক্লাস্টারিং-এর জন্য কিছু অপারেশন ইমপ্লিমেন্ট করা হয়। এই পদ্ধতির সুবিধা হল এর দ্রুত প্রসেসিং টাইম, যা সাধারণত ডেটা অবজেক্টের সংখ্যা থেকে স্বতন্ত্র, শুধু কোয়ান্টাইজড স্পেসে প্রতিটি ডাইমেনশনে সেলের সংখ্যার ওপর ডিপেন্ডেন্ট।
Grid-based approach-এর একটি উদাহরণ হল STING, যা গ্রিড সেলে সংরক্ষিত স্ট্যাটিস্টিক্যাল ইনফরমেশন এক্সপ্লোর করে, WaveCluster, যা ওয়েভলেট ট্রান্সফর্ম পদ্ধতি ব্যবহার করে অবজেক্ট ক্লাস্টার করে, এবং CLIQUE, যা হাই-ডাইমেনশনাল ডেটা স্পেসে ক্লাস্টারিং-এর জন্য একটি গ্রিড-এন্ড ডেন্সিটি-বেইজড মেথড সংজ্ঞায়িত করে।
এই approach-এর সুবিধাগুলো: একটি query-independent approach যেহেতু statistical information queries থেকে স্বতন্ত্রভাবে існу করে। এটি প্রতিটি গ্রিড সেলে ডেটার একটি usual description, যা একটি বড় ক্লাসের কুয়েরি আন্সার করতে সাহায্য করতে পারে। কম্পিউটেশনাল কমপ্লেক্সিটি O (K), যেখানে K হল লোওয়েস্ট লেভেলে গ্রিড সেলের সংখ্যা। এটি সাধারণত K << N, যেখানে N হল অবজেক্টের সংখ্যা।
