ExDBSCAN：基于反事实推理解释 DBSCAN——附加材料

聚类是一种按相似性对数据点进行分组的无监督技术。虽然存在针对监督机器学习的方法可解释性，但直接适用于聚类，使人们难以理解聚类分配。这种解释性差距在流行的基于密度的方法 DBSCAN 中尤为明显，该方法将点分配为内部点（稠密区域中的聚类成员）或外部点（稀疏区域中的噪声点）。DBSCAN 不提供有关特定点接收其分配原因或其分配对小变化数据鲁棒性的见解。为解决解释性不足的问题，我们引入 ExDBSCAN，这是一种密度感知的后置解释方法。ExDBSCAN 提供可操作的反事实解释，具有有效性的理论保证。它利用密度连接加权图生成多个反事实，并采用受物理启发的模型使反事实候选者之间发生排斥（多样性），同时将其拉向要解释的实例（接近性）。在 30 个表格数据集上进行的实证评估显示，ExDBSCAN 在四个基准方法中均取得优异性能，同时实现完美的有效性并检索到多样且接近的反事实。