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
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
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
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
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
我们提出了一种适用于联邦学习场景的可解释客户端决策树聚合过程,保持了用于聚合的基本决策树的可解释性和精确性。该模型基于聚合决策树的多个决策路径,可应用于不同类型的决策树,如 ID3 和 CART,实验证明该模型构建的树改进了本地模型,并优于最先进的方法。
Apr, 2024
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
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
本研究提出了一种新的可解释聚类方法,使用无监督的二叉树,在三个阶段对数据进行处理,包括递归二元拆分,修剪和加入相似簇,同时对模拟和真实数据进行了一致性测试。
Mar, 2011
我们研究了基于解释和准确性之间的平衡的 $k$-means 聚类算法,设计了一种新的解释性 $k$-means 聚类算法 ExKMC,用于有效地将数据集划分为 $k'$ 个叶子节点,并以 $k$ 个簇之一的形式对叶子节点进行标记。经实验验证,ExKMC 的聚类效果优于标准的决策树方法和其他解释性聚类算法。
Jun, 2020