AAAIDec, 2021

多面体机器可解释聚类

PDF
TL;DR本文提出了一种新颖的解释性聚类方法，通过在发现的聚类周围构建多面体来解释它们，同时将多面体的超平面约束为轴平行或稀疏整数系数，将构造聚类簇的问题形式化为混合整数非线性规划（MINLP）.
clusteringunsupervised learninginterpretable clusteringpolytopesmixed-integer non-linear program
发现论文，激发创造
  • 通过最优树实现可解释的聚类

    本文介绍了一种新的无监督学习算法，利用混合整数优化技术生成可解释的基于树的聚类模型，以提高群集算法的可解释性，并在医疗应用中具有重要意义。

    Dec, 2018

  • 深层描述性聚类

    本文提出了一种新型的复杂数据聚类算法，利用符号数据进行言语解释，通过最大化模块之间的一致性产生更好的聚类效果和高质量的聚类级别解释，实验结果表明，该模型在聚类性能方面优于竞争对手，并提供高质量的聚类级别解释。

    May, 2021

  • 解释性多视角聚类

    多视角聚类是一个重要的研究领域，本研究提出了一个可解释的多视角聚类框架，通过提取每个视角的嵌入特征和生成伪标签来引导决策树的初始构建，并在优化特征表示以及改进解释性决策树的同时，为多视角数据提供一个透明的聚类过程，实验结果表明，该方法在聚类性能上与最先进的多视角聚类方法可媲美。

    May, 2024

  • 通过决策树解读核聚类

    探索可解释的核聚类算法，提出构建决策树来近似核 k-means 引发的分区的算法，并展示了适当选择特征如何在不损失可解释模型的近似保证的情况下保持可解释性。

    Feb, 2024

  • 可解释聚类的最优决策树

    本文提出了一种新的基于 SAT 的可解释聚类框架，支持聚类约束，同时提供强有力的解决方案质量理论保证，并给出了关于解释性和满足用户约束之间权衡的新见解。

    Jan, 2023

  • 可解释的深度聚类

    本文提出了一种新的深度学习框架，可以在 instance 和 cluster 级别预测可解释的聚类分配，并在基因组序列、医疗记录或图像等数据上验证了该方法的可靠性和可解释性。

    Jun, 2023

  • 在聚类价值和可解释性之间平衡权衡

    本文提出了一种可解释性的聚类算法，该算法通过优化可解释性，生成具有解释性的聚类，并使用频繁模式挖掘生成简单的说明，该算法适用于具有特征价值的大规模数据集。

    Dec, 2019

  • 预测聚类与优化的普适性框架

    本文研究了一种以监督学习为基础的聚类分析方法，该方法结合了回归和分类，采用整数线性规划方法以及高度可扩展的贪心算法，支持不同类型的聚类定义，并能够展示数据中不同的可解释性的离散聚类结构。

    May, 2023

  • 多类分类的学习最优公平评分系统

    使用混合整数线性规划技术，我们提出了一种可解释的，具有稀疏性和公平性约束的多类别分类评分系统，扩展了 Rudin 和 Ustun 提出的适用于二元分类的 SLIM 框架。

    Apr, 2023

  • 高效搜索多样一致的解释

    本篇论文提出了使用混合整数规划来进行反事实解释的新型搜索算法，在处理具有连续范围或离散状态集的复杂数据时，使用了一组新颖的约束条件，称为混合多面体，可以有效地找到连贯的反事实解释。同时，本文还探讨了多样性解释的问题，并展示了如何在我们的框架内生成多样性解释。

    Jan, 2019