論文の概要: Counterfactuals for Feature-Weighted Clustering

• arxiv url: http://arxiv.org/abs/2607.14719v1
• Date: Thu, 16 Jul 2026 08:36:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.044116
• Title: Counterfactuals for Feature-Weighted Clustering
• Title（参考訳）: 特徴量クラスタリングのファクトファクト
• Abstract要約: 本稿では,機能重み付き$k$-meansクラスタリングのためのVoronoiによって誘導される対実的説明可能性フレームワークであるVoICEを紹介する。 クラスタの変化を1対のセンチロイド境界の交差として扱うのではなく、VoICEはターゲットクラスタの全重み付きボロノイ領域への射影として反実生成を定式化する。
• 参考スコア（独自算出の注目度）: 0.7734726150561086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Counterfactual explanations provide local, interpretable insight by identifying changes to an input that would alter its assigned outcome. Although well established in supervised learning, their extension to clustering is less direct, since cluster assignments are unlabeled and governed by the geometry of the partition. This paper introduces VoICE, a Voronoi-Induced Counterfactual Explainability framework for feature-weighted $k$-means clustering. Rather than treating cluster change as a crossing of a single pairwise centroid boundary, VoICE formulates counterfactual generation as projection onto the full weighted Voronoi region of a target cluster, incorporating feature weights directly into both the clustering geometry and the counterfactual objective to yield least-cost and parsimonious explanations under actionability constraints. Target regions are further intersected with data-derived bounds and homothetically contracted towards their centroids, limiting extrapolation and boundary sensitivity. VoICE consistently produces valid target-cluster membership, across several benchmark datasets, where the leading pairwise baseline does not.
• Abstract（参考訳）: 対物的説明は、与えられた結果を変更する入力の変更を特定することによって、局所的で解釈可能な洞察を提供する。 教師あり学習において確立されているが、クラスタ化への拡張は直接的ではない。 本稿では,機能重み付き$k$-meansクラスタリングのためのVoronoiによって誘導される対実的説明可能性フレームワークであるVoICEを紹介する。 クラスタ変更を1対のセンチロイド境界の交差として扱うのではなく、VoICEは、ターゲットクラスタの全重み付きボロノイ領域への射影として反ファクト生成を定式化し、クラスタリング幾何学と反ファクト目的の両方に直接特徴重みを組み込むことで、行動可能性制約の下で最小コストでパーシモーズな説明を得る。 ターゲット領域はさらにデータ由来の境界と交差し、外挿や境界感度を制限し、セントロイドに向かってホモセティックに収縮する。 VoICEは、複数のベンチマークデータセットにまたがって、適切なターゲットクラスタメンバシップを一貫して生成する。

関連論文リスト

• Cluster-Based Dimensionality Reduction by Nonparametric Distributional Screening [1.4773309126683776]
  我々は,2つ以上のクラスタに供給された分割を伴う高次元観測における次元の低減について検討する。 提案手法は,数サンプルのコルモゴロフ-スミルノフ分離統計量を用いて,クラスタ固有の経験分布関数を比較する。 得られた限界クラスタのサポートを形式化し、全ての座標に対して一貫した有限サンプル濃度を確立する。
  論文  参考訳（メタデータ） (2026-09-06T21:58:59Z)
• Imputation Meets Clustering: Exploiting Latent Subgroup Structure for Missing Data Recovery [52.29866804948133]
  本稿では、クラスタリングと命令を相互に強化する共最適化プロセスとして再構築するフレームワークであるCAGI(Cluster-Aware Generative Imputation)を提案する。 14のベンチマークデータセットと15の代表的なベースラインの実験は、CAGIの優位性を実証している。
  論文  参考訳（メタデータ） (2026-07-08T02:50:02Z)
• The Condition-Number Principle for Prototype Clustering [0.0]
  プロトタイプクラスタリングにおける客観的な精度と構造的回復を結びつける幾何学的枠組みを開発する。 クラスタ内スケールとクラスタ境界を越えてポイントを移動させるために必要な最小損失増加を比較するクラスタリング条件数を定義します。 クラスター境界付近でエラーが集中し, 十分に深いクラスタコアが, 局所的に強化されたマージンの下で正確に回収されることを示す。
  論文  参考訳（メタデータ） (2026-04-09T03:03:01Z)
• Weight-Informed Self-Explaining Clustering for Mixed-Type Tabular Data [63.62853416081748]
  WISEは表現、特徴重み付け、クラスタリング、解釈を統一するフレームワークである。 クラスタリングを駆動する同じプリミティブに根ざした、忠実で人間解釈可能な説明を生成する。
  論文  参考訳（メタデータ） (2026-04-07T13:18:31Z)
• Explainable cluster analysis: a bagging approach [3.5173697454104844]
  同様の観察をどの特徴がグループ化するかについての洞察を与える方法はめったにない。 本稿では,バギングと機能ドロップアウトを統合したアンサンブルベースのクラスタリングフレームワークを提案する。 その効果は、複数のシミュレートされた実世界のデータセットで実証されている。
  論文  参考訳（メタデータ） (2026-03-20T10:34:04Z)
• GALACTIC: Global and Local Agnostic Counterfactuals for Time-series Clustering [9.33534873952683]
  本稿では,非教師付き時系列クラスタリングのための局所的およびグローバル的対実的説明性を橋渡しする,最初の統一フレームワークであるGALACTICを紹介する。 インスタンスレベル(ローカル)では、GALACTICはクラスタ認識最適化の目的を通じて摂動を生成する。 クラスタレベル(グローバル)では、認知負荷を軽減し、解釈可能性を高めるため、代表的なCE選択問題を定式化する。
  論文  参考訳（メタデータ） (2026-03-05T15:59:33Z)
• IPBC: An Interactive Projection-Based Framework for Human-in-the-Loop Semi-Supervised Clustering of High-Dimensional Data [0.0]
  高次元データセットは、科学と工業の領域でますます一般的になっている。 従来の次元削減技術は、限定的な解釈性を提供する静的な2Dまたは3D埋め込みを生成する。 本稿では,対話型プロジェクトベースクラスタリング(IPBC)を提案する。
  論文  参考訳（メタデータ） (2026-01-25T15:23:51Z)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• You Never Cluster Alone [150.94921340034688]
  我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。 分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。 代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
  論文  参考訳（メタデータ） (2021-06-03T14:59:59Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)
• Contradictory Structure Learning for Semi-supervised Domain Adaptation [67.89665267469053]
  現在の逆順応法は、クロスドメインの特徴を整列させようとする。 1)条件分布ミスマッチ、2)決定境界のソース領域へのバイアス。 本稿では,対向構造の学習を統一することで,半教師付きドメイン適応のための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） (2020-02-06T22:58:20Z)

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。