論文の概要: Interpretable Clustering: A Survey

• arxiv url: http://arxiv.org/abs/2409.00743v1
• Date: Sun, 1 Sep 2024 15:09:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 11:36:58.084207
• Title: Interpretable Clustering: A Survey
• Title（参考訳）: 解釈可能なクラスタリング: 調査
• Authors: Lianyu Hu, Mudi Jiang, Junjie Dong, Xinying Liu, Zengyou He,
• Abstract要約: クラスタリングアルゴリズムは、医療、金融、自律システムといった高度な領域にますます適用されています。 透過的で解釈可能なクラスタリング結果の必要性は、重要な関心事になっている。 本稿では,説明可能なクラスタリングアルゴリズムの現状を包括的かつ構造化したレビューを行う。
• 参考スコア（独自算出の注目度）: 1.5641228378135836
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, much of the research on clustering algorithms has primarily focused on enhancing their accuracy and efficiency, frequently at the expense of interpretability. However, as these methods are increasingly being applied in high-stakes domains such as healthcare, finance, and autonomous systems, the need for transparent and interpretable clustering outcomes has become a critical concern. This is not only necessary for gaining user trust but also for satisfying the growing ethical and regulatory demands in these fields. Ensuring that decisions derived from clustering algorithms can be clearly understood and justified is now a fundamental requirement. To address this need, this paper provides a comprehensive and structured review of the current state of explainable clustering algorithms, identifying key criteria to distinguish between various methods. These insights can effectively assist researchers in making informed decisions about the most suitable explainable clustering methods for specific application contexts, while also promoting the development and adoption of clustering algorithms that are both efficient and transparent.
• Abstract（参考訳）: 近年,クラスタリングアルゴリズムの研究の多くは,その精度と効率の向上に主眼を置いている。 しかし、これらの手法が医療、金融、自律システムといったハイテイクな分野にますます適用されているため、透明性と解釈可能なクラスタリング結果の必要性が重要になっている。 これは、ユーザの信頼を得るだけでなく、これらの分野における倫理的および規制的な要求を満たすために必要である。 クラスタリングアルゴリズムから導かれる決定を明確に理解し、正当化することが、現在では基本的な要件となっている。 このニーズに対処するため,本論文では,クラスタリングアルゴリズムの現状を包括的かつ構造化したレビューを行い,様々な手法を区別するための重要な基準を特定した。 これらの洞察は、研究者が特定のアプリケーションコンテキストに最も適したクラスタリング方法に関する情報決定を行うのに有効であり、同時に、効率的かつ透明なクラスタリングアルゴリズムの開発と導入を促進するのに役立つ。

関連論文リスト

• GCC: Generative Calibration Clustering [55.44944397168619]
  本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。 まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。 第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
  論文  参考訳（メタデータ） (2024-04-14T01:51:11Z)
• A Weighted K-Center Algorithm for Data Subset Selection [70.49696246526199]
  サブセット選択は、トレーニングデータの小さな部分を特定する上で重要な役割を果たす、基本的な問題である。 我々は,k中心および不確かさサンプリング目的関数の重み付け和に基づいて,サブセットを計算する新しい係数3近似アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-12-17T04:41:07Z)
• Incremental hierarchical text clustering methods: a review [49.32130498861987]
  本研究の目的は,階層的および漸進的クラスタリング技術の解析である。 本研究の主な貢献は、文書クラスタリングのテキスト化を目的とした、2010年から2018年にかけて出版された研究で使用されるテクニックの組織化と比較である。
  論文  参考訳（メタデータ） (2023-12-12T22:27:29Z)
• A Machine Learning-Based Framework for Clustering Residential Electricity Load Profiles to Enhance Demand Response Programs [0.0]
  実ケーススタディを通じて最適な負荷プロファイルを実現するために,機械学習に基づく新しいフレームワークを提案する。 本稿では,実ケーススタディを通じて最適な負荷プロファイルを実現するために,機械学習に基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-31T11:23:26Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• A Validity Perspective on Evaluating the Justified Use of Data-driven Decision-making Algorithms [14.96024118861361]
  予測アルゴリズムの正当性を損なうような問題定式化やデータ問題における再検討問題に対して,妥当性のレンズを適用した。 これらの妥当性の考察が,予測タスクの正当性やデータの適合性に関する考察を促進・文書化することを目的とした,一連のハイレベルな質問にどのように掘り下げられるかを示す。
  論文  参考訳（メタデータ） (2022-06-30T02:22:31Z)
• Measuring Fairness Under Unawareness of Sensitive Attributes: A Quantification-Based Approach [131.20444904674494]
  センシティブな属性の無意識下でのグループフェアネスを測定する問題に取り組む。 定量化手法は, フェアネスと無意識の問題に対処するのに特に適していることを示す。
  論文  参考訳（メタデータ） (2021-09-17T13:45:46Z)
• A review of systematic selection of clustering algorithms and their evaluation [0.0]
  本稿では,クラスタリングアルゴリズムとそれに対応する検証概念の体系的選択ロジックを同定することを目的とする。 目標は、潜在的なユーザが自分のニーズと基盤となるデータクラスタリングの問題の性質に最も適したアルゴリズムを選択できるようにすることだ。
  論文  参考訳（メタデータ） (2021-06-24T07:01:46Z)
• DAC: Deep Autoencoder-based Clustering, a General Deep Learning Framework of Representation Learning [0.0]
  dac,deep autoencoder-based clustering,深層ニューロンネットワークを用いてクラスタリング表現を学ぶためのデータ駆動フレームワークを提案する。 実験結果から,KMeansクラスタリングアルゴリズムの性能をさまざまなデータセット上で効果的に向上させることができた。
  論文  参考訳（メタデータ） (2021-02-15T11:31:00Z)
• HAWKS: Evolving Challenging Benchmark Sets for Cluster Analysis [2.5329716878122404]
  クラスタリングアルゴリズムの包括的なベンチマークは難しい。 厳格なベンチマークのベストプラクティスに関する合意はありません。 このようなベンチマークのフレキシブルな生成を支援するために,進化的アルゴリズムが果たす重要な役割を実証する。
  論文  参考訳（メタデータ） (2021-02-13T15:01:34Z)
• Fair Hierarchical Clustering [92.03780518164108]
  従来のクラスタリングにおける過剰表現を緩和する公平性の概念を定義する。 我々のアルゴリズムは、目的に対して無視できない損失しか持たない、公平な階層的なクラスタリングを見つけることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T01:05:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。