CAKE：基于 K 划分集成的置信度评估

聚类广泛用于无监督结构发现，但其为单个赋值提供的可靠性信息有限。诊断指标（如收敛行为或目标值）可能反映全局质量，但无法指示特定实例是否被可靠分配。尤其是对于基于 k 均值等初始化敏感的算法，赋值的这种层级不稳定性会削弱准确性和鲁棒性。集成方法通过聚合多个运行提高全局一致性，但通常缺乏量化单点置信度的工具，无法将跨运行一致性与所学聚类结构的几何支持相结合。本文引入 CAKE（Confidence in Assignments via K-partition Ensembles），一个评估框架，利用聚类集成中计算的两个互补统计量：赋值稳定性和局部几何适配一致性。这两个统计量组合为 [0,1] 区间内的单一可解释得分。理论分析表明 CAKE 在噪声下依然有效，并能区分稳定与不稳定的点。在合成数据和真实数据集上的实验表明，CAKE 有效识别模糊点和稳定核心成员，为实例提供置信度排序，可用于下游聚类工作中的选择或优先级排序。