K-Models：一种用于有序聚类的灵活且可解释的方法及其在抗原-抗体相互作用谱中的应用
机器学习
2026-05-15 v1 机器学习
统计方法学
摘要
现有的函数型数据聚类方法通常将划分准确性置于可解释性之上，当数据生成过程遵循特定的潜在结构且聚类间存在有序关系时，这使得提取有意义的见解变得具有挑战性。本文引入了 K-Models，一种整合了有序约束并估计生成观测函数型谱的随机过程的关键潜在元素的新框架，从而提升了可解释性与结构识别能力。所提方法通过仿真与实际应用进行了评估。特别地，该方法在感兴趣区域（ROI）曲线上进行了测试，这些曲线代表了来自监测生物分子相互作用（如抗原-抗体结合）的反射测量传感器的反应谱。这些曲线描绘了在分析物暴露期间，带有固定抗原的多个测量点上反射光强度随时间的变化，捕捉了系统的结合动力学。目标仅从观测到的动力学中识别内在信号模式，这使得该数据集成为评估所提方法可解释性增益的理想基准。通过将结构假设纳入聚类过程，K-Models 在保持与 SOTA 技术相当的性能的同时增强了可解释性，为分析具有潜在有序结构的函数型数据提供了有价值的工具。
引用
@article{arxiv.2605.14828,
title = {K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles},
author = {Giulia Patanè and Alessandra Menafoglio and Alexander Krauth and Peter Fechner and Luca Dede' and Bianca Maria Colosimo and Federica Nicolussi},
journal= {arXiv preprint arXiv:2605.14828},
year = {2026}
}