論文の概要: SpEx: A Spectral Approach to Explainable Clustering

• arxiv url: http://arxiv.org/abs/2511.00885v1
• Date: Sun, 02 Nov 2025 10:49:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.980299
• Title: SpEx: A Spectral Approach to Explainable Clustering
• Title（参考訳）: SpEx: 説明可能なクラスタリングのためのスペクトルアプローチ
• Authors: Tal Argov, Tal Wagner,
• Abstract要約: 本稿では,スペクトルグラフ分割に基づく説明可能なクラスタリング手法を提案する。 実験により, 提案手法の性能は, 各種データセットのベースラインに比べて良好であった。
• 参考スコア（独自算出の注目度）: 10.27725229355938
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Explainable clustering by axis-aligned decision trees was introduced by Moshkovitz et al. (2020) and has gained considerable interest. Prior work has focused on minimizing the price of explainability for specific clustering objectives, lacking a general method to fit an explanation tree to any given clustering, without restrictions. In this work, we propose a new and generic approach to explainable clustering, based on spectral graph partitioning. With it, we design an explainable clustering algorithm that can fit an explanation tree to any given non-explainable clustering, or directly to the dataset itself. Moreover, we show that prior algorithms can also be interpreted as graph partitioning, through a generalized framework due to Trevisan (2013) wherein cuts are optimized in two graphs simultaneously. Our experiments show the favorable performance of our method compared to baselines on a range of datasets.
• Abstract（参考訳）: 軸整列決定木による説明可能なクラスタリングは Moshkovitz et al (2020) によって導入され、かなりの関心を集めている。 以前の作業では、特定のクラスタリングの目的に対する説明可能性の価格の最小化に重点を置いており、制限なく、任意のクラスタリングに説明ツリーを適合させる一般的な方法が欠如している。 本研究では,スペクトルグラフ分割に基づく説明可能なクラスタリング手法を提案する。 これを用いて、説明可能なクラスタリングアルゴリズムを設計し、説明できないクラスタリングやデータセット自体に直接、説明ツリーを適合させることができる。 さらに,2つのグラフでカットを同時に最適化するTrevisan (2013) による一般化フレームワークを通じて,先行アルゴリズムをグラフ分割と解釈可能であることを示す。 実験により, 提案手法の性能は, 各種データセットのベースラインに比べて良好であった。

関連論文リスト

• IsoSEL: Isometric Structural Entropy Learning for Deep Graph Clustering in Hyperbolic Space [57.036143666293334]
  グラフクラスタリングは、機械学習における長年のトピックである。 本稿では,K を含まない深層グラフクラスタリングという,現実の非均衡を考慮した問題について検討する。 深層グラフクラスタリングのための新しいIsoSELフレームワークを提案する。このフレームワークでは、双曲空間のローレンツモデルにおける分割木を学習するための双曲型ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2025-04-14T08:21:41Z)
• Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
  本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。 提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。 フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
  論文  参考訳（メタデータ） (2023-08-13T18:12:28Z)
• Latent Random Steps as Relaxations of Max-Cut, Min-Cut, and More [30.919536115917726]
  クラスタリングと単純化を統一する非負行列分解に基づく確率モデルを提案する。 ハードクラスタリングをソフトクラスタリングに緩和することにより、ハードクラスタリングの潜在的な問題をトラクタブルクラスタに緩和する。
  論文  参考訳（メタデータ） (2023-08-12T02:47:57Z)
• One-step Bipartite Graph Cut: A Normalized Formulation and Its Application to Scalable Subspace Clustering [56.81492360414741]
  両部グラフの1ステップ正規化カットを、特に線形時間複雑性で実施する方法を示す。 本稿では、まず、正規化制約付き一段階二分グラフカット基準を特徴付けるとともに、そのトレース問題に対する等価性を理論的に証明する。 このカット基準を、適応アンカー学習、二部グラフ学習、一段階正規化二部グラフ分割を同時にモデル化するスケーラブルなサブスペースクラスタリングアプローチに拡張する。
  論文  参考訳（メタデータ） (2023-05-12T11:27:20Z)
• ClusterFuG: Clustering Fully connected Graphs by Multicut [20.254912065749956]
  密マルチカットでは、クラスタリングの目的はノード特徴ベクトルの内部積として分解形式で与えられる。 我々は、密集した環境でのマルチカットのための古典的欲求アルゴリズムの書き直し方法と、より効率とソリューションの品質を高めるためにそれらをどう修正するかを示す。
  論文  参考訳（メタデータ） (2023-01-28T11:10:50Z)
• XClusters: Explainability-first Clustering [7.303121062667876]
  本稿では,クラスタリングにおいて説明可能性が第一級市民となる,説明可能性優先クラスタリングの問題について検討する。 我々のアプローチは、クラスタリングと決定ツリーのトレーニングを行い、決定ツリーのパフォーマンスとサイズがクラスタリング結果にも影響を及ぼすようにすることだ。
  論文  参考訳（メタデータ） (2022-09-22T12:17:54Z)
• Simplifying Clustering with Graph Neural Networks [5.571369922847262]
  本稿では、適切なメッセージパッシング層を備えたグラフニューラルネットワークが、バランスの取れた項のみを最適化することにより、優れたクラスタ割り当てを実現できることを示す。 属性付きグラフデータセットの結果は、クラスタリング性能と時間の観点から提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-07-18T17:36:54Z)
• flow-based clustering and spectral clustering: a comparison [0.688204255655161]
  本研究では,本質的なネットワーク構造を持つデータに対する新しいグラフクラスタリング手法を提案する。 我々は、ユークリッド特徴ベクトルを構築するために、データ固有のネットワーク構造を利用する。 以上の結果から,クラスタリング手法が特定のグラフ構造に対処できることが示唆された。
  論文  参考訳（メタデータ） (2022-06-20T21:49:52Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)

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。