自主感知聚类：当局部决策取代全局规定
机器学习
2025-10-09 v3 人工智能
摘要
聚类出现在广泛的问题表述中，然而大多数现有方法假设被聚类的实体是被动的，并严格遵循其被分配的组别。实际上，实体常常表现出局部自主性，以特征表示无法完全捕捉的方式推翻预设的关联。这种自主性可以显著重塑聚类结果——改变簇的组成、几何形状和基数——并对下游的推理和决策产生重大影响。我们引入了自主感知聚类，这是一个强化学习（RL）框架，它学习并考虑局部自主性的影响，而无需事先了解其形式。我们的方法将 RL 与确定性退火（DA）过程相结合，其中，为了确定底层簇，DA 在退火早期自然促进探索，并在后期过渡到利用。我们还表明，退火过程表现出相变，这使得能够设计高效的退火调度。为了进一步增强适应性，我们提出了自适应距离估计网络（ADEN），这是一个基于 Transformer 的注意力模型，它在 RL 循环内学习实体与簇代表之间的依赖关系，适应可变大小的输入和输出，并支持跨不同问题实例的知识迁移。实证结果表明，我们的框架与底层数据动态紧密对齐：即使没有显式的自主性模型，它也能实现接近真实情况的解决方案（差距约 3-4%），而忽略自主性则会导致显著更大的差距（约 35-40%）。代码和数据可在 https://github.com/salar96/AutonomyAwareClustering 公开获取。
引用
@article{arxiv.2509.25775,
title = {Autonomy-Aware Clustering: When Local Decisions Supersede Global Prescriptions},
author = {Amber Srivastava and Salar Basiri and Srinivasa Salapaka},
journal= {arXiv preprint arXiv:2509.25775},
year = {2025}
}
备注
Preprint. Under review at a peer-reviewed venue. Minor formatting correction: the earlier version included an incorrect conference header, which has been removed. Content unchanged