可解释聚类的最优决策树

Jan, 2023

Optimal Decision Trees For Interpretable Clustering with Constraints

Pouya Shati, Eldan Cohen, Sheila McIlraith

TL;DR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。

Abstract

constrained clustering is a semi-supervised task that employs a limited amount of labelled data, formulated as constraints, to incorporate domain-specific knowledge and to significantly improve clustering accurac

constrained clustering semi-supervised task decision-trees interpretable clustering sat-based framework

发现论文，激发创造

利用决策树进行可解释的有监督聚类

本文提出了一种基于决策树分类器的迭代方法来提取高密度的、可解释的同一类别数据集群，并讨论了最大化识别群组质量的节点选择方法。

Jul, 2023

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

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

走向可解释聚类：基于约束声明的方法

我们提出了一种基于解释驱动的集群选择的解释可调的约束聚类方法，该方法能够生成高质量的且可解释的聚类，其中聚类结果考虑了特征的覆盖率和区分度，并能够整合领域专家知识和用户约束。

Mar, 2024

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

半监督约束聚类：深入概述，分类排名和未来研究方向

本文详细介绍了约束聚类算法的背景和各种可用约束类型的评级分类，重点研究了基于实例级对偶约束的约束聚类及应用程序和历史背景，并对 307 种约束聚类方法进行了统计分析，根据其受欢迎程度和验证质量对其进行了分类和排名评分，最后提供了潜在的陷阱和未来的研究方向。

Feb, 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

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

学习最优公平分类树：可解释性、公平性和准确性之间的权衡

本研究设计了一个 MIO（mixed integer optimization）框架，用于学习最优的分类树算法，以及与任意公平性约束进行扩展；提出了一个新的模型可解释性度量标准，称为决策复杂度；在流行数据集上，我们对公平性、可解释性及预测准确性之间的权衡进行了综合分析，证明了我们的方法在几乎完全平等的情况下仍能保持精度.

Jan, 2022

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