論文の概要: Rough Sets for Explainability of Spectral Graph Clustering

• arxiv url: http://arxiv.org/abs/2512.12436v1
• Date: Sat, 13 Dec 2025 19:29:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.260798
• Title: Rough Sets for Explainability of Spectral Graph Clustering
• Title（参考訳）: スペクトルグラフクラスタリングの説明可能性のためのラフセット
• Authors: Bartłomiej Starosta, Sławomir T. Wierzchoń, Piotr Borkowski, Dariusz Czerski, Marcin Sydow, Eryk Laskowski, Mieczysław A. Kłopotek,
• Abstract要約: 本稿では,我々のチームによる以前の研究で提案された説明方法論の強化について述べる。 これにより、大まかな集合論からインスピレーションを得て後者の問題を克服することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Spectral Clustering methods (GSC) allow representing clusters of diverse shapes, densities, etc. However, the results of such algorithms, when applied e.g. to text documents, are hard to explain to the user, especially due to embedding in the spectral space which has no obvious relation to document contents. Furthermore, the presence of documents without clear content meaning and the stochastic nature of the clustering algorithms deteriorate explainability. This paper proposes an enhancement to the explanation methodology, proposed in an earlier research of our team. It allows us to overcome the latter problems by taking inspiration from rough set theory.
• Abstract（参考訳）: Graph Spectral Clustering(GSC)は、さまざまな形状や密度のクラスタを表現する。 しかし、テキスト文書にegを適用した場合、特に文書内容と明らかな関係のないスペクトル空間に埋め込まれているため、そのようなアルゴリズムの結果をユーザに説明するのは困難である。 さらに、明確な内容意味のない文書の存在とクラスタリングアルゴリズムの確率的性質は、説明可能性の低下を招いた。 本稿では,我々のチームによる以前の研究で提案された説明方法論の強化について述べる。 これにより、大まかな集合論からインスピレーションを得て後者の問題を克服することができる。

関連論文リスト

• SpEx: A Spectral Approach to Explainable Clustering [10.27725229355938]
  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。
  論文  参考訳（メタデータ） (2025-11-02T10:49:00Z)
• Cross-Granularity Hypergraph Retrieval-Augmented Generation for Multi-hop Question Answering [49.43814054718318]
  マルチホップ質問応答 (MHQA) は、正しい回答を得るために複数の経路に散在する知識を統合する必要がある。 従来の検索拡張生成法(RAG)は主に粗い粒度のテキスト意味的類似性に焦点を当てている。 本稿では,HGRAG for MHQAという新しいRAG手法を提案する。
  論文  参考訳（メタデータ） (2025-08-15T06:36:13Z)
• Revisiting Self-Supervised Heterogeneous Graph Learning from Spectral Clustering Perspective [52.662463893268225]
  自己教師付きヘテロジニアスグラフ学習(SHGL)は様々なシナリオにおいて有望な可能性を示している。 既存のSHGLメソッドには2つの大きな制限がある。 ランクと二重整合性制約によって強化された新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-12-01T09:33:20Z)
• Interpretable Multi-View Clustering Based on Anchor Graph Tensor Factorization [64.00146569922028]
  アンカーグラフの分解に基づくマルチビュークラスタリング法では,分解行列に対する適切なクラスタ解釈性が欠如している。 複数のビューからアンカーグラフを合成するアンカーグラフテンソルを分解するために、非負のテンソル因子分解を用いることにより、この制限に対処する。
  論文  参考訳（メタデータ） (2024-04-01T03:23:55Z)
• Datacube segmentation via Deep Spectral Clustering [76.48544221010424]
  拡張ビジョン技術は、しばしばその解釈に挑戦する。 データ立方体スペクトルの巨大な次元性は、その統計的解釈において複雑なタスクを生じさせる。 本稿では,符号化空間における教師なしクラスタリング手法の適用の可能性について検討する。 統計的次元削減はアドホック訓練(可変)オートエンコーダで行い、クラスタリング処理は(学習可能な)反復K-Meansクラスタリングアルゴリズムで行う。
  論文  参考訳（メタデータ） (2024-01-31T09:31:28Z)
• Explainable Graph Spectral Clustering of Text Documents [0.0]
  本稿では,ラプラシアン系グラフスペクトルクラスタリングの結果を説明することを提案する。 これはラプラシアン埋め込み(英語版)、$K$-埋め込み(この論文で提案されている)および項ベクトル空間埋め込み(英語版)の同値性(近似)を示すことに基づいている。
  論文  参考訳（メタデータ） (2023-08-01T12:39:42Z)
• Explainable Clustering via Exemplars: Complexity and Efficient Approximation Algorithms [30.369731369945296]
  本稿では,各クラスタを説明するためのクラスタや例を見出すための,説明可能なクラスタリング手法を提案する。 理解のための模範的概念の使用は、心理学における模範的概念定義の流派によって支持されている。 一つのクラスタでも説明できるような,小さな例の集合を見つけることは,計算的に難解であることを示す。
  論文  参考訳（メタデータ） (2022-09-20T12:09:51Z)
• Nonbacktracking spectral clustering of nonuniform hypergraphs [2.408714894793063]
  非一様ハイパーグラフに対するスペクトルクラスタリングをハイパーグラフ非追跡演算子を用いて検討する。 本稿では,線形化された信念伝達を用いたハイパーグラフブロックモデルにおける推論の交互化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-04-27T01:14:06Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)

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。