k-means 与 Gaussian 聚类的反事实解释
摘要
反事实已被认作是解释 classifier 决定的有效方法。然而，它们尚未被应用于 clustering context。本 work 我们提出使用反事实来解释 clustering solutions。首先，我们提出一种 general definition for counterfactuals for model-based clustering，包括 plausibility 和 feasibility 约束。然后我们在假设 Euclidean distance 的情况下，考虑 k-means 和 Gaussian clustering 的 counterfactual generation problem。Our approach takes as input the factual, the target cluster, a binary mask indicating actionable or immutable features and a plausibility factor specifying how far from the cluster boundary the counterfactual should be placed。在 k-means 聚类情况下，提出了 analytical mathematical formulas 用于计算 optimal solution；在 Gaussian 聚类情况下（假设 full、diagonal 或 spherical covariances），本方法需要求解 single parameter 的 nonlinear equation。我们通过 illustrative examples 和 quantitative experimental comparisons 展示了 our approach 的优势。
引用
@article{arxiv.2501.10234,
title = {Counterfactual Explanations for k-means and Gaussian Clustering},
author = {Georgios Vardakas and Antonia Karra and Evaggelia Pitoura and Aristidis Likas},
journal= {arXiv preprint arXiv:2501.10234},
year = {2025}
}