論文の概要: ExplainCC: Explaining Correlated Clusters by Node Labels

• arxiv url: http://arxiv.org/abs/2610.38667v1
• Date: Wed, 28 Oct 2026 18:50:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.398468
• Title: ExplainCC: Explaining Correlated Clusters by Node Labels
• Title（参考訳）: ExplainCC:ノードラベルによる関連クラスタの説明
• Abstract要約: 相関クラスタリング問題は、オブジェクトの集合をペアの類似性と相似性情報に基づいてクラスタに分割しようとする。 提案モデルでは,ラベル木で説明できるクラスタのみを考慮し,基本的にはオブジェクトをラベルに従って分割する決定木である。 提案アルゴリズムは,100万以上のエッジを持つグラフを数分で処理し,合成データから基礎的真理を見つけ,実世界のネットワークで解釈可能なクラスタを生成することができる。
• 参考スコア（独自算出の注目度）: 7.204478994849306
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An increasingly important requirement for clustering algorithms is that decisions and outcomes need to be clearly understandable for human users. We address this requirement for the Correlation Clustering (CC) problem, in case the objects to be clustered are accompanied by labels. In CC one seeks to partition a set of objects into clusters based on pairwise similarity and dissimilarity information. Our proposed model only considers clusters that can be explained by a label tree, which is essentially a decision tree that partitions the objects according to labels. The goal is to find an explainable partition of the data that minimizes the CC objective function. We formalize this problem from a theoretical viewpoint, and prove several hardness of approximation results, also when constraining the size of the tree. Our proposed greedy method finds locally optimal splits, and works recursively in a top-down approach. To efficiently compute the best split, we carefully maintain certain counters. An experimental evaluation demonstrates its effectiveness. The proposed algorithm processes graphs with over million edges in a few minutes, can find the ground truth in synthetic data, and is able to produce interpretable clusters in real world networks.
• Abstract（参考訳）: クラスタリングアルゴリズムにおけるますます重要な要件は、決定と結果が人間のユーザにとって明確に理解できる必要があることだ。 相関クラスタリング(CC)問題に対するこの要件に対処する。 CCでは、一組のオブジェクトをペアの類似性と相似性情報に基づいてクラスタに分割しようとする。 提案モデルでは,ラベル木で説明できるクラスタのみを考慮し,基本的にはオブジェクトをラベルに従って分割する決定木である。 目的は、CCの目的関数を最小化するデータの説明可能なパーティションを見つけることである。 我々は,この問題を理論的観点から定式化し,木の大きさを制約する場合にも,近似結果の難しさを証明する。 提案手法は局所最適分割を求め,トップダウンアプローチで再帰的に機能する。 最適な分割を効率的に計算するために、特定のカウンタを注意深く維持する。 実験的な評価はその効果を示す。 提案アルゴリズムは,100万以上のエッジを持つグラフを数分で処理し,合成データから基礎的真理を見つけ,実世界のネットワークで解釈可能なクラスタを生成することができる。

関連論文リスト

• Why does Greedy Search produce Optimal Clustering Outcomes? A Fixed-Core Assignment Theory [12.631764566188407]
  クラスタの形状が不規則な場合、クラスタのパフォーマンスは著しく悪化し、クラスタ毎に密度やサイズが変化する。 最近のクラスタ・アズ・ディストリビューション(CaD)クラスタリングは、これらの一般的なタイプのクラスタを発見することが示されている。 これは、欲求探索によるCaDクラスタリングが任意の形状、密度、大きさのクラスタを発見できる理由を説明する最初の分析である。
  論文  参考訳（メタデータ） (2026-07-27T10:15:08Z)
• ABCDE: Application-Based Cluster Diff Evals [49.1574468325115]
  それは実用性を目指しており、アイテムはアプリケーション固有の重要な値を持つことができ、クラスタリングがどちらが優れているかを判断するときに人間の判断を使うのは粗悪であり、アイテムの任意のスライスのためのメトリクスを報告できる。 クラスタリング品質の差分を測定するアプローチは、高価な地平を前もって構築し、それに関して各クラスタリングを評価する代わりに、ABCDEはクラスタリング間の実際の差分に基づいて、判定のための質問をサンプリングする。
  論文  参考訳（メタデータ） (2024-07-31T08:29:35Z)
• 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)
• Revisiting Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [85.51611950757643]
  IAC (Instance-Adaptive Clustering, インスタンス適応クラスタリング) を提案する。 IACは$ MathcalO(n, textpolylog(n) $の計算複雑性を維持しており、大規模問題に対してスケーラブルで実用的なものである。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)
• XClusters: Explainability-first Clustering [7.303121062667876]
  本稿では,クラスタリングにおいて説明可能性が第一級市民となる,説明可能性優先クラスタリングの問題について検討する。 我々のアプローチは、クラスタリングと決定ツリーのトレーニングを行い、決定ツリーのパフォーマンスとサイズがクラスタリング結果にも影響を及ぼすようにすることだ。
  論文  参考訳（メタデータ） (2022-09-22T12:17:54Z)
• How to Find a Good Explanation for Clustering? [7.951746797489421]
  Moshkovitz氏、Dasgupta氏、Rashtchian氏、Frost氏(ICML 2020)は、説明可能な$k$-meansと$k$-medianクラスタリングのエレガントなモデルを提案した。 説明可能なクラスタリングに関する2つの自然なアルゴリズム的問題について検討する。 厳密なアルゴリズム分析では、入力サイズ、データの寸法、外乱数、クラスタ数、近似比といったパラメータが、説明可能なクラスタリングの計算複雑性に与える影響について光を当てています。
  論文  参考訳（メタデータ） (2021-12-13T11:48:38Z)
• Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
  我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。 SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。 OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
  論文  参考訳（メタデータ） (2021-10-15T03:25:28Z)
• Exact and Approximate Hierarchical Clustering Using A* [51.187990314731344]
  クラスタリングのA*探索に基づく新しいアプローチを紹介します。 A*と新しいエンフォレリスデータ構造を組み合わせることで、禁止的に大きな検索空間を克服します。 実験により,本手法は粒子物理利用事例や他のクラスタリングベンチマークにおいて,ベースラインよりもかなり高品質な結果が得られることを示した。
  論文  参考訳（メタデータ） (2021-04-14T18:15:27Z)
• 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)

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。