論文の概要: Beyond Feature Importance: A Comparative Analysis of Pattern Detection Methods in Cluster Interpretation

• arxiv url: http://arxiv.org/abs/2608.05880v1
• Date: Thu, 06 Aug 2026 11:00:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.891013
• Title: Beyond Feature Importance: A Comparative Analysis of Pattern Detection Methods in Cluster Interpretation
• Title（参考訳）: 特徴の重要性を超えて:クラスタ解釈におけるパターン検出法の比較分析
• Abstract要約: 本研究では,クラスタリング結果におけるパターン検出のためのポストホック解析法の比較評価を行う。 LIME(Local Interpretable Model-Agnostic Explanations)と主成分分析(Principal component analysis)の3つの手法が広く用いられている。 その結果、各メソッドは関連する機能を回復できるが、どのパターンも常に検出できないことがわかった。
• 参考スコア（独自算出の注目度）: 3.8070256855916456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interpreting clustering outcomes remains a fundamental challenge in data analysis, particularly in domains such as healthcare where meaningful patterns must be extracted from high-dimensional data. While numerous explainability techniques exist, they are primarily designed to assess feature importance or provide local instance-level explanations rather than to identify structured patterns present within clusters. This work presents a comparative evaluation of commonly used post-hoc analysis methods for pattern detection in clustering results. To enable controlled evaluation, we introduce a suite of synthetic datasets in which predefined patterns are systematically injected. Three widely used techniques are evaluated: a Random Forest surrogate model with permutation feature importance, LIME (Local Interpretable Model-agnostic Explanations), and principal component analysis. Results demonstrate that although each method can successfully recover relevant features, none consistently detects all injected pattern types. These findings high- light a critical gap between existing explainability tools and the requirements of pattern-level cluster interpretation, motivating the development of dedicated pattern detection methodologies.
• Abstract（参考訳）: クラスタリングの結果を解釈することは、特に高次元データから有意義なパターンを抽出しなければならない医療などの分野において、データ分析において依然として根本的な課題である。 多くの説明可能性技術が存在するが、主に特徴の重要性を評価したり、クラスタ内に存在する構造化パターンを識別するよりも、局所的なインスタンスレベルの説明を提供するように設計されている。 本研究では,クラスタリング結果におけるパターン検出のためのポストホック解析法の比較評価を行う。 制御された評価を可能にするために、あらかじめ定義されたパターンを体系的に注入する合成データセットスイートを導入する。 LIME(Local Interpretable Model-Agnostic Explanations)と主成分分析(Principal component analysis)の3つの手法が広く用いられている。 その結果、各メソッドは関連する機能を回復できるが、どのパターンも常に検出できないことがわかった。 これらの知見は、既存の説明可能性ツールとパターンレベルのクラスタ解釈の要件の間に重要なギャップを生じさせ、専用のパターン検出手法の開発を動機付けている。

関連論文リスト

• ERICA: Quantifying Replicability of Cluster Analysis [38.38650403765454]
  本稿では,反復クラスタリング代入(ERICA)による複製性の評価という分析法を提案する。 パイプラインは、データセットに構造があるかどうかを記述する統計計算を行う。 合成データを用いて実験すると、クラスターが複製可能な方法で発見されていることが判明した。
  論文  参考訳（メタデータ） (2026-05-29T19:31:26Z)
• K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
  K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。 提案手法はシミュレーションと実世界の応用を通して評価する。
  論文  参考訳（メタデータ） (2026-05-14T13:35:44Z)
• Few-Shot Pattern Detection via Template Matching and Regression [52.79291493477272]
  本稿では,テンプレートマッチングと回帰に基づく簡易かつ効果的な検出器TMRを提案する。 凍結したバックボーンの上に少数の学習可能な畳み込み層や投射層を持つ最小限の構造を通して、経験者の空間的レイアウトを効果的に保存し、活用する。 提案手法は, RPINE, FSCD-147, FSCD-LVISの3つのベンチマークにおける最先端手法よりも優れ, クロスデータセット評価において強い一般化を示す。
  論文  参考訳（メタデータ） (2025-08-25T03:52:42Z)
• Towards Understanding Sensitive and Decisive Patterns in Explainable AI: A Case Study of Model Interpretation in Geometric Deep Learning [18.408342615833185]
  本研究は,2つの重要なデータパターン -- センシティブなパターン(モデル関連)と決定的なパターン(タスク関連)の区別に焦点を当てる。 本稿では,ポストホック法と自己解釈法という2つの主要な解釈手法の有効性を比較した。 以上の結果から, 自己解釈可能な手法は, 決定的パターンの検出において, 強い, 安定した性能を示すのに対し, ポストホック法は, 感度の高いパターンとよりよく一致した解釈を提供する傾向があることが示唆された。
  論文  参考訳（メタデータ） (2024-06-30T22:59:15Z)
• Biarchetype analysis: simultaneous learning of observations and features based on extremes [0.0]
  そこで本研究では,古型解析を拡張し,観察と特徴の両アーキタイプを同時に識別する新しい手法であるバイアルキタイプ解析を提案する。 この革新的な教師なし機械学習ツールは、純粋な型、またはバイアーキタイプのインスタンスを通して、観察と特徴を表現することを目的としている。 さまざまな機械学習課題に対するバイアルキタイプ分析の適用は、その価値を浮き彫りにする。
  論文  参考訳（メタデータ） (2023-11-18T19:44:54Z)
• Interpretable Deep Clustering for Tabular Data [7.972599673048582]
  クラスタリングは、データ分析で広く使われている基本的な学習タスクである。 本稿では,インスタンスとクラスタレベルでの解釈可能なクラスタ割り当てを予測する,新たなディープラーニングフレームワークを提案する。 提案手法は,生物,テキスト,画像,物理データセットのクラスタ割り当てを確実に予測できることを示す。
  論文  参考訳（メタデータ） (2023-06-07T21:08:09Z)
• Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
  我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。 また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
  論文  参考訳（メタデータ） (2022-11-03T08:18:27Z)
• Generalization Properties of Retrieval-based Models [50.35325326050263]
  検索ベースの機械学習手法は、幅広い問題で成功をおさめた。 これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。 本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
  論文  参考訳（メタデータ） (2022-10-06T00:33:01Z)
• RandomSCM: interpretable ensembles of sparse classifiers tailored for omics data [59.4141628321618]
  決定規則の結合や解離に基づくアンサンブル学習アルゴリズムを提案する。 モデルの解釈可能性により、高次元データのバイオマーカー発見やパターン発見に有用である。
  論文  参考訳（メタデータ） (2022-08-11T13:55:04Z)
• Seeking the Truth Beyond the Data. An Unsupervised Machine Learning Approach [0.0]
  クラスタリングは、ラベルのない要素/オブジェクトがグループ化される、教師なしの機械学習方法論である。 この記事では、最も広く使われているクラスタリング手法について詳しく説明する。 3つのデータセットに基づいて、これらのアルゴリズムのクラスタリング効率の比較を強調している。
  論文  参考訳（メタデータ） (2022-07-14T14:22:36Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)

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。