Using Decision Trees for Interpretable Supervised Clustering
University of Amsterdam(阿姆斯特丹大学);Brest State Technical University(布列斯特国立技术大学)
针对带标签数据中类别一致且可解释的高密度簇发现问题,提出利用决策树分类器迭代提取簇并优化节点选择的监督聚类方法。
2023-07-16 cs.LG
Interpretable Multi-View Clustering
School of Software, Dalian University of Technology(大连理工大学软件学院);Key Laboratory for Ubiquitous Network and Service Software of Liaoning Province(辽宁省泛在网络与服务软件重点实验室)
本文首次提出可解释多视图聚类框架,通过提取各视图嵌入特征、生成伪标签构建决策树,并迭代优化特征表示与决策树,在保证聚类性能的同时提供透明的决策过程。
2024-05-04 cs.LG
Interpretable Style Takagi-Sugeno-Kang Fuzzy Clustering
School of Wangzheng Microelectronics, Changzhou University(常州大学王正微电子学院);School of Electrical Engineering and Automation, Changshu Institute of Technology(常熟理工学院电气与自动化工程学院)
本文提出可解释的风格 TSK 模糊聚类算法 IS-TSK-FC,利用 TSK 模糊推理和风格矩阵增强簇的可解释性与数据表示能力,并通过实验验证其聚类有效性。
2025-04-07 cs.AI cs.LG
Interpretable clustering via optimal multi-way decision trees
Graduate School of Science and Technology, University of Tsukuba(科学技术研究生院,东京大学);Institute of Systems and Information Engineering, University of Tsukuba(系统与信息工程研究所,东京大学)
本文提出基于最优多方式分割决策树的可解释聚类方法,通过整合一维K均值算法实现灵活分支,提升聚类准确性和可解释性。
2026-08-24 cs.LG
Interpretable Fair Clustering
School of Software, Dalian University of Technology(大连理工大学软件学院)
本文提出了一种可解释且公平的聚类框架,通过整合公平性约束到决策树结构中,提升聚类的公平性和可解释性。
2025-11-26 cs.LG
Interpretable Time Series Clustering Using Local Explanations
Toronto Metropolitan University(多伦多都会大学)
本研究的重点是探索使用局部解释性方法来解释时间序列聚类模型。许多最先进的聚类模型无法直接解释。为了解释这些聚类算法,我们训练分类模型来估计聚类标签。然后,我们使用可解释性方法来解释分类模型的决策。这些解释用于深入了解聚类模型。我们进行了详细的数值研究,以测试所提出的方法在多个数据集,聚类模型和分类模型。结果的分析表明,所提出的方法可以用来解释时间序列聚类模型,特别是当底层分类模型是准确的。最后,我们对结果进行了详细的分析,讨论了我们的方法如何在现实生活中使用。
2022-08-01 cs.LG
Interpretable Clustering via Multi-Polytope Machines
IBM Research(IBM研究院)
聚类是一种流行的无监督学习工具,通常用于在更大的人群中发现群体,例如客户细分或患者亚型。然而,尽管它作为一种工具,子组发现和描述-一些国家的最先进的算法提供任何理由或描述背后的集群found. We提出了一种新的方法,可解释的聚类,聚类数据点和周围的发现集群构造多面体来解释它们。我们的框架允许对多面体进行额外的约束-包括确保构建多面体的超平面是轴平行的或稀疏的整数系数。我们制定的问题,通过多面体作为一个混合的非线性规划(MINLP)构建集群。为了解决我们的公式,我们提出了一个两阶段的方法,我们首先使用交替最小化初始化集群和多面体,然后使用坐标下降来提高聚类性能。我们基准我们的方法上的一套合成和现实世界的聚类问题,我们的算法优于最先进的可解释和不可解释的聚类算法。
2021-12-10 cs.LG math.OC
$k$-Graph: A Graph Embedding for Interpretable Time Series Clustering
本文提出无监督图嵌入方法 $k$-Graph,通过多长度子序列图表示支持变长时间序列聚类,在准确率上超过现有先进算法并增强结果可解释性。
2025-02-18 cs.LG
Explaining Kernel Clustering via Decision Trees
Technical University of Munich(慕尼黑工业大学);Amazon Research(亚马逊研究院)
本文研究可解释核聚类,提出用决策树逼近核k-means诱导的划分,并通过合适的特征选择在保持可解释性的同时不牺牲逼近保证。
2024-02-15 cs.LG
Interpretable Clustering with Adaptive Heterogeneous Causal Structure Learning in Mixed Observational Data
Tsinghua University(清华大学)
针对现有聚类方法因果感知不足、异质性建模欠缺的问题,提出无监督框架HCL,通过双向迭代与自监督正则从混合观测数据中联合推断潜在簇与异质因果结构,理论可识别且性能优异,可用于发现机制层面的可解释因果异质性。
2025-10-28 cs.LG
Fast and Interpretable Consensus Clustering via Minipatch Learning
Rice University(莱斯大学);Baylor College of Medicine(贝勒医学院)
一致性聚类被广泛应用于生物信息学等领域,以提高聚类结果的准确性、稳定性和可靠性。该方法集成了来自子采样观测的多个聚类运行的聚类同现。对于大规模生物信息学数据的应用,例如从单细胞测序数据中发现细胞类型,例如,共有聚类具有两个显著的缺点:(i)由于重复应用聚类算法而导致的计算效率低下,以及(ii)缺乏对区分聚类的重要特征的可解释性。在本文中,我们通过开发IMPACC:可解释的MiniPatch自适应共识聚类来解决这两个挑战。我们的方法采用了三大创新。我们合奏集群同现从微小的子集的观察和功能,称为minipatches,从而大大减少了计算时间。此外,我们开发了自适应采样方案的观察,从而提高了可靠性和计算节省,以及自适应采样方案的功能,这导致可解释的解决方案,通过快速学习最相关的功能,区分集群。我们研究了我们的方法在合成数据和各种真正的大规模生物信息学数据集;结果表明,我们的方法不仅产生更准确和可解释的集群解决方案,但它也大大提高了计算效率相比,标准的共识聚类方法。
2021-10-18 cs.LG stat.ME stat.ML
A Survey on Interpretable Reinforcement Learning
University of Michigan-Shanghai Jiao Tong University Joint Institute(上海交通大学密西根学院);Huawei Noah’s Ark Lab(华为诺亚方舟实验室);Tianjin University(天津大学)
尽管深度强化学习已经成为解决序列决策问题的一种很有前途的机器学习方法,但对于自动驾驶或医疗应用等高风险领域来说,它仍然不够成熟。在这样的上下文中,学习的策略例如需要是可解释的,使得它可以在任何部署之前被检查(例如,出于安全性和可验证性的原因)。本综述概述了在强化学习(RL)中实现更高可解释性的各种方法。为此,我们区分可解释性(作为模型的属性)和可解释性(作为事后操作,代理的干预),并在RL的背景下讨论它们,强调前一个概念。特别是,我们认为,可解释的强化学习可能包括不同的方面:可解释的输入,可解释的(过渡/奖励)模型,和可解释的决策。基于此方案,我们总结和分析了最近的工作,可解释强化学习的重点是在过去的10年发表的论文。我们还简要讨论了一些相关的研究领域,并指出一些潜在的有前途的研究方向。
2022-02-24 cs.AI cs.LG
XAI Beyond Classification: Interpretable Neural Clustering
Sichuan University(四川大学)
在本文中,我们研究了可解释人工智能(XAI)和数据聚类中的两个具有挑战性的问题。第一个是如何直接设计一个具有内在可解释性的神经网络,而不是对黑箱模型进行事后解释。第二个是实现离散的$k$ -意味着一个可微的神经网络,包括并行计算,在线聚类,聚类有利的表示学习的优点。为了解决这两个挑战,我们设计了一个新的神经网络,这是一个可微的香草$k$ -手段,称为inInterpretable nEuraL cLustering(TELL)的重新制定。我们的贡献是三方面的。首先,据我们所知,大多数现有的XAI作品都集中在监督学习范式上。这项工作是XAI对无监督学习的少数研究之一,特别是数据聚类。第二,TELL是一个可解释的,或者说是所谓的内在可解释和透明的模型。相比之下,大多数现有的XAI研究采取各种手段来理解具有事后解释的黑箱模型。第三,从数据聚类的角度来看,TELL具有$k$ -means所期望的许多特性,包括但不限于在线聚类、即插即用模块、并行计算和可证明收敛性。大量的实验表明,我们的方法取得了优越的性能相比,14聚类方法在三个具有挑战性的数据集。可在\url{www.pengxi.me}访问源代码。
2022-04-22 cs.LG stat.ML
Interpret3C: Interpretable Student Clustering Through Individualized Feature Selection
EPFL(洛桑联邦理工学院)
针对现有聚类忽视个体特征差异的问题,提出Interpret3C方法,利用神经网络自适应门控为每个学生选择特征,并在5000余名学生的MOOC中验证,提升了聚类的相关性和可解释性。
2024-05-28 cs.CY cs.HC cs.LG
Interpretable Role-Based Clustering in Multi-Layer Financial Networks
VU Amsterdam(VU阿姆斯特丹大学);De Nederlandsche Bank(荷兰银行)
研究多层金融网络中金融机构功能角色,提出基于角色的可解释聚类方法,遵循一般聚类框架,基于ego网特征构建节点嵌入,利用ECB交易数据验证,突出该方法在分析金融网络及理解机构行为上的价值。
2026-07-20 cs.LG cs.SI
Interpretable Deep Clustering for Tabular Data
Bar Ilan University(巴伊兰大学)
本文提出一种面向表格数据的可解释深度聚类框架,通过自监督特征选择和门控矩阵在样本与聚类层面提供驱动特征指示,并在生物、文本、图像和物理数据集上验证了聚类可靠性与可解释性。
2024-06-09 cs.LG stat.ML
Interpretable Clustering via Optimal Trees
Massachusetts Institute of Technology(麻省理工学院)
最先进的聚类算法使用聚类分析来划分特征空间,并且对聚类成员资格的基本原理提供很少的见解,从而限制了它们的可解释性。在医疗保健应用中,后者对采用这些方法构成了障碍,因为医学研究人员需要对其决定进行详细解释,以获得患者的信任并限制责任。我们提出了一种新的无监督学习算法,利用混合优化技术来生成可解释的基于树的聚类模型。利用最优树的灵活框架,我们的方法近似于全局最优解,从而获得高质量的特征空间分区。我们的算法,可以结合各种内部验证指标,自然地确定最佳数量的集群,并能够占混合的数值和分类数据。与K-Means相比,它在合成和真实世界数据集上实现了相当或更高的性能,同时提供了更高的可解释性。
2018-12-03 cs.LG stat.ML
An Introductory Survey to Autoencoder-based Deep Clustering -- Sandboxes for Combining Clustering with Deep Learning
Aalto University, University of Helsinki(阿alto大学,赫尔辛基大学);Faculty of Computer Science, University of Vienna(计算机科学学院,维也纳大学)
本综述介绍基于自编码器的深度聚类基础算法,利用其无监督低维表示能力缓解维度灾难,并作为现代聚类方法的核心构建模块。
2025-05-26 cs.AI cs.LG
An interpretable clustering approach to safety climate analysis: examining driver group distinction in safety climate perceptions
National University of Singapore(新加坡国立大学);Oregon Health & Science University(俄勒冈健康与科学大学);University of Nebraska Omaha(内布拉斯加大学奥马哈分校)
本文提出一种可解释聚类方法,比较5种聚类算法分析7000多名美国卡车驾驶员的安全氛围感知,并引入QPDP等可解释度量,揭示监督关怀促进在区分驾驶员群体中的关键作用。
2023-10-30 cs.LG
Attention-Based Offline Reinforcement Learning and Clustering for Interpretable Sepsis Treatment
Department of Computer Science(计算机科学系);Engineering University at Buffalo Buffalo, New York, USA(布法罗大学工程学院)
本文提出基于注意力机制的离线强化学习与聚类方法,用于可解释的脓毒症治疗决策支持,通过多模块整合提升治疗准确性和可解释性。
2026-01-20 cs.LG
Interpretable Clustering on Dynamic Graphs with Recurrent Graph Neural Networks
Carnegie Mellon University(卡内基梅隆大学)
我们研究了动态图中节点的聚类问题,其中节点之间的连接和节点的聚类成员资格可能会随着时间的推移而变化,例如,由于社区移民。我们首先提出了一个动态的随机块模型,捕捉这些变化,和一个简单的基于衰减的聚类算法,集群节点之间的加权连接的基础上,其中的权重随着时间的推移以固定的速度下降。这个衰减率可以被解释为表示在聚类中包括历史连接信息的重要性。然而,对于具有不同周转率的簇,最佳衰减率可能不同。我们表征每个集群的最佳衰减率,并提出了一种聚类方法,实现几乎精确的恢复真正的集群。然后,我们证明了我们的聚类算法的有效性与优化的衰减率模拟图形数据。递归神经网络(RNN)是一种流行的序列学习算法,使用类似的基于衰减的方法,我们利用这一见解提出了两种新的RNN-GCN(图卷积网络)架构用于半监督图聚类。最后,我们证明了所提出的架构在实际数据上表现良好相比,国家的最先进的图聚类算法。
2021-06-22 cs.LG cs.SI
Interpretable Multi-View Clustering Based on Anchor Graph Tensor Factorization
Xidian University(西安电子科技大学);State Key Laboratory of Integrated Services Networks(综合业务网国家重点实验室)
针对现有基于锚图分解的多视图聚类方法可解释性不足、忽略视图间信息的问题,提出利用非负张量分解融合多视图锚图的方法,提升了聚类可解释性,经实验验证了有效性。
2024-10-30 cs.LG
A Comprehensive Survey on Self-Interpretable Neural Networks
Artificial Intelligence Thrust, The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州)人工智能方向);Computer Network Information Center, Chinese Academy of Sciences(中国科学院计算机网络信息中心)
本文综述了自解释神经网络的现有方法,从五个关键视角总结了其方法,并提供了可视化示例和评估指标,旨在推动该领域的发展。
2025-03-22 cs.AI cs.LG
Towards Interpretable and Inference-Optimal COT Reasoning with Sparse Autoencoder-Guided Generation
University of California, San Diego(加州大学圣地亚哥分校)
本研究提出用稀疏自编码器和聚类技术分析大语言模型内部token表示,构建推理轨迹图并定义奖励函数平衡利用与探索,以引导数学推理任务生成,提升大模型推理的可解释性与效果。
2025-10-02 cs.AI cs.LG
Human-interpretable clustering of short-text using large language models
本研究提出利用大型语言模型生成嵌入并结合高斯混合模型进行短文本聚类,该方法比传统方法更具人类可解释性,并探讨了生成式LLM在聚类验证中替代人类评审的潜力及各自偏见。
2024-12-14 cs.CL cs.LG
A Comprehensive Survey on Deep Clustering: Taxonomy, Challenges, and Future Directions
Zhejiang University(浙江大学);Macquarie University(麦考瑞大学);Tsinghua University(清华大学);Simon Fraser University(西蒙弗雷泽大学)
聚类是一个基本的机器学习任务,已在文献中广泛研究。经典的聚类方法遵循这样的假设,即通过各种表示学习技术将数据表示为矢量化形式的特征。随着数据的日益复杂化,传统的浅层聚类方法已经不能处理高维的数据类型。随着深度学习,特别是深度无监督学习的巨大成功,在过去的十年里,许多具有深度架构的表示学习技术被提出。最近,深度聚类的概念,即,联合优化的表示学习和聚类,已被提出,因此引起了越来越多的关注,在社会上。受深度学习在聚类(最基本的机器学习任务之一)中取得的巨大成功以及该方向的大量最新进展的启发,本文通过提出不同最先进方法的新分类法,对深度聚类进行了全面的调查。我们总结了深度聚类的基本组成部分,并通过设计深度表示学习和聚类之间的交互方式对现有方法进行分类。此外,本调查还提供了流行的基准数据集,评估指标和开源实现,以清楚地说明各种实验设置。最后但并非最不重要的是,我们讨论了深度聚类的实际应用,并提出了值得进一步研究的具有挑战性的主题作为未来的方向。
2022-06-15 cs.AI cs.LG
I Know You'll Be Back: Interpretable New User Clustering and Churn Prediction on a Mobile Social Application
University of Illinois, Urbana Champaign(伊利诺伊大学厄巴纳-香槟分校);Snap Inc.(Snap公司)
随着在线平台努力获得更多用户,一个关键的挑战是用户流失,这对新用户来说尤其重要。本文以Snapchat的匿名大规模真实数据为例,基于正确的用户聚类有助于理解和预测用户流失的直觉,开发了\textit{ClusChurn},这是一个可解释的新用户聚类和流失预测的系统化两步框架。因此,\textit{ClusChurn}首先根据新用户在平台上的活动和自我网络结构,将其分为可解释的典型集群。然后,我们设计了一种基于LSTM和注意力的新型深度学习管道,通过利用用户多维活动和底层用户类型之间的相关性,在非常有限的初始行为数据下准确预测用户流失。\textit{ClusChurn}还能够预测用户类型,从而能够对不同类型的用户流失做出快速反应。大量的数据分析和实验表明,\textit{ClusChurn}提供了有价值的洞察用户行为,并实现了最先进的流失预测性能。整个框架被部署为数据分析管道,向多个相关团队提供实时数据分析和预测结果,以供商业智能使用。它也足够通用,可以被任何具有用户行为数据的在线系统所采用。
2019-09-29 cs.LG cs.SI
MDL-GBG: A Non-parametric and Interpretable Granular-Ball Generation Method for Clustering
Department of Mathematics and Computer Science, Gannan Normal University(赣南师范大学数学与计算机科学学院);Key Laboratory of Data Science and Artificial Intelligence of Jiangxi Education Institutes, Gannan Normal University(江西省教育研究院数据科学与人工智能重点实验室);Department of Computer Science and Technology, Tongji University(同济大学计算机科学与技术学院);Department of Electrical and Computer Engineering, University of Alberta(阿尔伯塔大学电气与计算机工程学院)
本文提出MDL-GBG方法,通过最小描述长度原理将粒球生成转化为局部模型选择问题,提供可解释的聚类上游表示,实验表明其在ARI、ACC和NMI指标上表现最佳。
2026-07-31 cs.LG
Summaries as Centroids for Interpretable and Scalable Text Clustering
York University(约克大学)
本文提出k-NLPmeans和k-LLMmeans,通过摘要作为中心实现可解释且可扩展的文本聚类,优于传统方法并接近LLM聚类性能。
2026-02-06 cs.CL cs.LG stat.ML
Interpretable Clustering with the Distinguishability Criterion
University of Michigan(密歇根大学)
针对聚类结果验证与簇数确定难题,提出 Distinguishability 准则量化簇可分离性,并构建基于损失函数的计算框架与常用聚类算法集成,通过模拟与真实数据验证了有效性。
2024-04-25 cs.LG stat.ME stat.ML
CoHiRF: Hierarchical Consensus for Interpretable Clustering Beyond Scalability Limits
CEREMADE, University Paris Dauphine-PSL, France(CEREMADE,巴黎大学达菲涅-PSL大学,法国);CMAP, École Polytechnique, France(CMAP,巴黎高等理工学院,法国);Istituto Italiano di Tecnologia, Genova, Italy, University of Novi Sad, Serbia(意大利技术研究所,热那亚,意大利,诺维萨德大学,塞尔维亚)
CoHiRF通过层次共识框架提升聚类方法在高维噪声和大规模数据下的鲁棒性与可扩展性,提供可解释的聚类层次结构。
2026-02-06 cs.LG stat.ML
Mixed Data Clustering Survey and Challenges
Léonard de Vinci Pôle Universitaire, Research Center(莱昂纳德·德·文奇大学研究中心);LI-PARAD Laboratory EA 7432(LI-PARAD实验室EA 7432)
本文提出了一种基于预拓扑空间的混合数据聚类方法,并通过基准测试评估其在大数据环境下的性能与有效性。
2026-10-06 cs.AI cs.LG
Seeing Time: Visual-Temporal Representation Learning for Interpretable Time Series Clustering
Huizhou No. 1 High School(惠州市第一中学);Guangdong University of Technology(广东工业大学);South China University of Technology(华南理工大学)
本文提出WAVE方法,通过对齐时间序列与波形图进行视觉-时间表征学习,实现可追溯的聚类,在10个数据集上取得最佳性能。
2026-09-30 cs.LG
Interpretable Spectral Variational AutoEncoder (ISVAE) for time series clustering
Universidad Carlos III de Madrid(马德里卡洛斯三世大学);Instituto de Investigación Sanitaria Gregorio Marañón(格雷戈里奥·马拉尼翁卫生研究所);Evidence Based Behaviour (eB2)(循证行为(eB2));Oxford-Man Institute of Quantitative Finance, University of Oxford(牛津大学牛津-曼氏定量金融研究所)
本研究提出ISVAE模型,通过在VAE开端引入可解释的滤波器组(FB)瓶颈,迫使模型关注输入信号的关键信息,学习可解释且可聚类的低维编码${f_0}$,并利用定制解码器处理复杂数据,在真实数据集上取得优异聚类效果。
2023-10-18 cs.LG stat.ML
Interpretable label-free self-guided subspace clustering
Ruđer Bošković Institute(鲁杰尔·博什科维奇研究所)
针对子空间聚类算法超参数调优依赖标记数据的问题,提出一种基于伪标签计算聚类质量指标、通过迭代划分超参数子区间实现无标签调优的方法,在多个算法和数据集上验证了性能,还可通过子空间基可视化提升可解释性。
2024-11-26 cs.CV cs.LG
A Survey of Deep Graph Clustering: Taxonomy, Challenge, Application, and Open Resource
National University of Defense Technology(国防科技大学);Westlake University(西湖大学);Chinese PLA General Hospital(中国人民解放军总医院)
本文对深度图聚类领域进行了全面综述,基于四个标准提出分类法,分析现有方法与挑战,介绍六大领域应用,并提供开源代码与统一框架资源。
2023-09-12 cs.AI cs.LG
Towards Explainable Clustering: A Constrained Declarative based Approach
LIFO;Univ. Orléans(奥尔良大学);INSA Centre Val de Loire(中央卢瓦尔河谷国立应用科学学院)
提出ECS方法,通过约束声明式聚类集成专家知识,结合覆盖率和区分度实现高质量可解释聚类。
2024-03-26 cs.AI cs.LG
Balancing the Tradeoff Between Clustering Value and Interpretability
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
图聚类根据实体(图的顶点)的相似性对它们进行分组,通常在大量特征上使用复杂的距离函数。自动化决策支持系统中聚类方法的成功集成取决于所产生的聚类的可解释性。本文讨论了生成可解释集群的问题,给定的利益,意味着可解释性的最终用户的功能,通过优化可解释性,除了共同的聚类目标。我们提出了一个$β$ -可解释的聚类算法,确保至少$β$分数的节点在每个集群共享相同的功能值。可调参数$β$由用户指定。我们还提出了一个更有效的算法与$β\!=\!1$的场景,并分析了这两个算法的理论保证。最后,我们实证证明了我们的方法在使用四个真实世界的数据集生成可解释的集群的好处。聚类的可解释性是通过使用频繁模式挖掘生成表示聚类中节点的特征值的简单解释来补充的。
2020-01-31 cs.DS cs.LG stat.ML
Deep Clustering: A Comprehensive Survey
University of Electronic Science and Technology of China(电子科技大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Lehigh University(理海大学)
聚类分析在机器学习和数据采掘中起着不可或缺的作用。学习一个好的数据表示是聚类算法的关键。最近,可以使用深度神经网络学习聚类友好表示的深度聚类已经广泛应用于各种聚类任务中。现有的深度聚类研究主要集中在单视图领域和网络架构上,忽略了聚类的复杂应用场景。为了解决这个问题,在本文中,我们提供了一个全面的调查数据源的视图中的深度聚类。对于不同的数据源和初始条件,我们系统地区分聚类方法的方法,先验知识和架构。具体地,根据四个类别介绍了深度聚类方法,即,传统的单视图深度聚类、半监督深度聚类、深度多视图聚类和深度转移聚类。最后,我们讨论了开放的挑战和潜在的未来机会,在不同领域的深度集群。
2022-10-09 cs.LG
Feature graphs for interpretable unsupervised tree ensembles: centrality, interaction, and application in disease subtyping
University of Urbino(乌尔比诺大学);Medical University of Graz(格拉茨医科大学)
本研究提出从无监督随机森林构建特征图并据此进行特征选择的方法,通过特征中心性和边权重评估特征相关性,在合成与组学数据中有效提升了聚类性能与可解释性。
2024-04-27 cs.AI cs.LG
Bridged Clustering: Semi-Supervised Sparse Bridging
Bridged Clustering是一种半监督方法,通过稀疏桥梁连接输入和输出聚类,实现高效且可解释的预测。
2026-02-13 cs.LG
Clustering and Recognition of Spatiotemporal Features through Interpretable Embedding of Sequence to Sequence Recurrent Neural Networks
Department of Electrical & Computer Engineering(电气与计算机工程系);Department of Applied Mathematics(应用数学系);University of Washington(华盛顿大学);Seattle, WA 98195(西雅图, WA 98195(注意:地址信息按要求不应提取,此处仅为示例说明))
编码器-解码器递归神经网络模型(RNN Seq 2Seq)在计算和应用的普遍领域取得了巨大的成功。它被证明是成功的建模数据的时间和空间依赖性的翻译或预测任务。在这项研究中,我们提出了一种嵌入的方法来可视化和解释这些模型的数据表示。此外,我们表明,嵌入是一种有效的方法,无监督学习,可以用来估计模型训练的最优性。特别是,我们证明了在序列预测上训练的RNN Seq 2Seq模型的解码器状态的嵌入空间投影被组织在集群中,捕捉这些序列动态的相似性和差异。这种性能对应于任何时空特征的无监督聚类,并且可以用于时间相关的问题,例如时间分割,动态活动的聚类,自监督分类,动作识别,故障预测等。我们测试并演示了嵌入方法在3D人体姿势时间序列中的应用。我们表明,该方法提供了高质量的无监督运动分类。
2020-01-31 cs.LG eess.SP q-bio.NC
Morality is Contextual: Learning Interpretable Moral Contexts from Human Data with Probabilistic Clustering and Large Language Models
Institute of Intelligent Systems and Robotics(智能系统与机器人研究所);Sorbonne University(索邦大学)
COMETH通过结合概率聚类和大语言模型,从人类数据中学习可解释的道德情境,提升道德判断的准确性与可解释性。
2026-10-05 cs.AI cs.CL cs.LG
Interpretable Machine Learning for Weather and Climate Prediction: A Survey
Public Meteorological Service Center, China Meteorological Administration(中国气象局公共气象服务中心);University of Bristol(布里斯托大学);Zhejiang University(浙江大学);Institute of Atmospheric Physics, Chinese Academy of Science(中国科学院大气物理研究所);Baidu Inc.(百度公司);New Jersey Institute of Technology(新泽西理工学院)
本文综述了天气与气候预测中的可解释机器学习方法,将其分为事后解释技术和固有可解释模型设计两大类,并总结了其在揭示气象关系中的作用及未来研究挑战。
2024-03-24 cs.AI cs.LG physics.ao-ph
A Comprehensive Survey on Spectral Clustering with Graph Structure Learning
Queensland University of Technology (QUT)(昆士兰科技大学);Graduate University of Advanced Technology(高等技术研究生院);Ardakan University(阿尔达坎大学);RMIT University(皇家墨尔本理工大学)
本综述系统梳理谱聚类方法,聚焦图结构学习(GSL)在构建相似图中的作用,涵盖多种图构建技术、单/多视图框架及信息融合,并指出挑战与未来方向,以提升大规模高维数据聚类性能。
2025-01-24 cs.LG
DPSOM: Deep Probabilistic Clustering with Self-Organizing Maps
ETH Zürich(苏黎世联邦理工学院)
从复杂数据生成可解释的可视化是许多应用中的常见问题。解决这个问题的两个关键要素是聚类和表示学习。然而,当前的方法尚未成功地结合这两种方法的优点。现有的表示学习模型依赖于潜在的拓扑结构,如自组织映射,表现出显着较低的聚类性能相比,最近的深度聚类方法。为了缩小这一性能差距,我们(a)提出了一种新的方法来适应自组织映射与概率聚类分配(PSOM),(b)提出了一种新的深度架构的概率聚类(DPSOM)使用VAE,和(c)扩展我们的架构的时间序列聚类(T-DPSOM),这也允许预测的潜在空间使用LSTM。我们表明,DPSOM实现了优越的聚类性能相比,目前的深度聚类方法MNIST/时尚MNIST,同时保持良好的可视化特性的SOM。在医疗时间序列上,我们证明了T-DPSOM在时间序列聚类和时间序列预测方面优于基线方法,同时提供了患者状态轨迹和不确定性估计的可解释的可视化。
2020-06-09 cs.LG stat.ML
A Survey on Soft Subspace Clustering
Jiangnan University(江南大学);University of California, Davis(加利福尼亚大学戴维斯分校);The Hong Kong Polytechnic University(香港理工大学)
子空间聚类(SC)是一种很有前途的聚类技术,它根据簇与高维空间中子空间的关联来识别簇。SC可以分为硬子空间聚类(HSC)和软子空间聚类(SSC)。虽然HSC算法已被广泛研究并被科学界广泛接受,但SSC算法相对较新,但近年来由于更好的适应性而受到更多关注。本文综述了现有的SSC算法及其最新进展。SSC算法被系统地分为三大类,即常规SSC(CSSC)、独立SSC(ISSC)和扩展SSC(XSSC)。最后,对这些算法的特点进行了分析,并对SSC的发展前景进行了展望。
2016-04-08 cs.LG
ExClus: Explainable Clustering on Low-dimensional Data Representations
Ghent University(根特大学)
模糊性约简和聚类技术经常被用于分析复杂的数据集,但它们的结果往往不容易解释。我们考虑如何支持用户解释散点图上的明显的聚类结构,其中轴是不能直接解释的,例如当数据被投影到一个二维空间使用降维方法。具体来说,我们提出了一种新的方法来计算一个可解释的聚类自动,其中的解释是在原来的高维空间和聚类是一致的低维投影。它通过使用信息论,在复杂性和所提供的信息量之间提供了可调的平衡。我们研究了这个问题的计算复杂性,并引入限制的搜索空间的解决方案,以达到一个有效的,可调的,贪婪的优化算法。该算法还实现了一个交互式工具,称为ExClus。在几个数据集上的实验突出表明,ExClus可以提供信息丰富且易于理解的模式,并且它们揭示了算法的有效性以及考虑到可调性和可扩展性的改进空间。
2021-11-04 cs.LG
An interpretable machine learning approach for ferroalloys consumptions
Softline Digital Laboratory(Softline数字实验室)
研究了一种铁合金消耗建模与优化的实用方法。我们考虑的问题,选择最佳的过程控制参数的基础上分析的历史数据从传感器。提出了一种预测化学反应结果并给出铁合金消费建议的方法。我们的方法的主要特点是易于解释和抗噪声。我们的方法是基于k-均值聚类算法,决策树和线性回归。该方法的主要思想是识别流程相似的情况。为此,我们提出使用基于k-均值的数据集聚类算法和分类算法来确定聚类。该算法也可以应用于各种工艺过程,本文中,我们展示了它在冶金中的应用。为了测试所提出的方法的应用,我们使用它来优化铁合金消耗在碱性氧气炉炼钢时,完成在钢包炉钢。对于给定的钢种,所需的最小元素含量被选为预测模型的目标变量,并且要添加到熔体中的元素的所需量被选为优化变量。保留字:聚类,机器学习,线性回归,炼钢,优化,梯度提升,人工智能,决策树,推荐服务
2022-04-15 cs.LG
Simultaneous Coherent Structure Coloring facilitates interpretable clustering of scientific data by amplifying dissimilarity
Stanford University(斯坦福大学)
将数据聚类为物理上有意义的子集通常需要对子组的数量、大小或形状进行假设。在这里,我们提出了一种新的方法,同时相干结构着色(sCSC),它完成了无监督聚类的任务,没有先验指导的数据的底层结构。sCSC在数据集上执行一系列二进制分割,使得最不相似的数据点需要在单独的聚类中。为了实现这一点,我们获得一组正交坐标,沿该坐标,在数据集中的相异性是最大化的广义特征值问题的基础上成对的数据点之间的相异性进行聚类。这个分叉序列产生了系统的二叉树表示,数据中的簇的数量及其相互关系自然地出现。为了说明在没有先验假设的情况下,该方法的有效性,我们将其应用到流体动力学中的三个示例性问题。然后,我们用一个高维蛋白质折叠模拟数据集来说明它的可解释性。虽然我们在这项工作中将我们的例子限制在动态物理系统中,但我们预计可以直接翻译到其他领域,其中现有的分析工具需要对数据结构进行特别假设,缺乏本方法的可解释性,或者底层过程不太容易访问,例如基因组学和神经科学。
2019-03-13 cs.LG physics.bio-ph physics.flu-dyn
K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles
MOX, Department of Mathematics, Politecnico di Milano(数学系,米兰理工学院MOX部门);Department of Mechanical Engineering, Politecnico di Milano(机械工程系,米兰理工学院)
K-Models通过整合序数约束和估计随机过程的关键元素,提升了功能数据聚类的可解释性和结构识别能力,适用于具有潜在序数结构的数据集,如抗原-抗体相互作用谱。
2026-05-14 cs.LG stat.ME stat.ML
Survey of state-of-the-art mixed data clustering algorithms
United Arab Emirates University(阿联酋大学);Toronto Rehabilitation Institute(多伦多康复研究所);University Health Network(大学健康网络)
混合数据包括数字和分类特征,混合数据集经常出现在许多领域,如健康,金融和营销。聚类通常应用于混合数据集,以查找结构并将相似对象分组以供进一步分析。然而,聚类混合数据是具有挑战性的,因为很难直接应用数学运算,如求和或平均,这些数据集的特征值。在本文中,我们提出了一个分类的混合数据聚类算法的研究,确定五个主要的研究主题。然后,我们提出了一个国家的最先进的审查每个研究主题的研究工作。我们分析了这些方法的优点和缺点,并指出了未来的研究方向。最后,我们提出了在这一领域的总体挑战的深入分析,突出开放的研究问题,并讨论在该领域取得进展的指导方针。
2019-03-18 cs.AI cs.LG stat.ML
An interpretable multiple kernel learning approach for the discovery of integrative cancer subtypes
Saarland Informatics Campus(萨尔信息学园区);University of Tübingen(图宾根大学)
由于癌症的复杂性,聚类算法已被用于解开观察到的异质性,并确定可以特异性治疗的癌症亚型。虽然基于核的聚类方法允许使用多于一个的输入矩阵,这在考虑像癌症这样的多维疾病时是一个重要因素,但是聚类结果仍然难以评估,并且在许多情况下,不清楚哪条信息对最终结果产生了哪些影响。在本文中,我们提出了一种多核学习聚类的扩展,它可以根据对结果影响最大的特征来表征每个已识别的患者聚类。为此,我们将特征聚类与多核降维相结合,并引入FIPPA,这是一个衡量特征聚类对患者聚类影响的分数。结果如下:我们将该方法应用于由四种不同数据类型描述的不同癌症类型,目的是识别综合患者亚型并了解哪些特征对其识别最重要。我们的结果表明,我们的方法不仅具有根据标准测量的最先进的性能(例如,生存分析),但是,基于高影响特征,它也对亚型的分子基础产生了有意义的解释。这可能为验证潜在的癌症亚型提供重要的一步,并能够制定关于个体患者群体的新假设。对于其他疾病表型,类似的分析是可能的。
2018-11-20 cs.LG stat.AP stat.ML
A Survey on Deep Clustering: From the Prior Perspective
College of Computer Science, Sichuan University(四川大学计算机学院)
本文从先验知识视角系统综述深度聚类方法,将其归纳为六类先验,总结先验创新的两大趋势,并在五个常用数据集上构建基准,为未来研究提供启发。
2024-07-01 cs.CV cs.LG