Sep, 2023

可解释的序列聚类

PDF
TL;DR提出了一种名为 Interpretable Sequence Clustering Tree（ISCT）的方法，该方法将顺序模式与简明易懂的树状结构相结合，以解决分类序列聚类中的解释性问题。ISCT 利用 k-1 模式生成 k 个叶节点，对应于 k 个聚类，从而直观解释每个聚类的形成方式。实验证明，该方法在提供可解释性的树状结构的同时，能够快速准确地进行聚类分配。
categorical sequence clusteringinterpretabilityinterpretable sequence clustering treesequential patternscluster assignments
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 可解释的序列分类：离散优化方法

    本文提出了一种基于有限状态自动机的序列分类器，能够支持更早的分类并具有解释性和强大的实证表现。它具有可比较于 LSTM 的测试性能并具有可解释性的优点。

    Oct, 2020

  • 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

  • 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

  • 使用无监督二叉树的可解释聚类

    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