KnAC：一种利用背景知识与解释增强聚类分析的方法
人工智能
2022-11-28 v2 机器学习
摘要
多维数据集中的模式发现已是数十年的研究课题。为此存在广泛的聚类算法谱系可供使用。然而，它们的实际应用共享一个共同的聚类后阶段，涉及基于专家对所得结果的解读与分析。我们认为这可能成为流程中的瓶颈，尤其在聚类前已存在领域知识的情况下。此种情形不仅需要对自动发现的聚类进行恰当分析，还需与已有知识进行一致性检验。本工作中，我们提出知识增强聚类（KnAC）。其主要目标是对抗基于专家的标注与自动聚类，以更新并精炼前者。我们的方案不限于任何现有聚类算法。相反，KnAC 可作为任意聚类算法的增强，使该方法具有鲁棒性，并成为任意 SOTA 聚类模型的模型无关改进。我们在人工可复现示例与真实用例场景中展示了方法的可行性。两种情况下，我们都取得了优于无增强经典聚类算法的结果。
引用
@article{arxiv.2112.08759,
title = {KnAC: an approach for enhancing cluster analysis with background knowledge and explanations},
author = {Szymon Bobek and Michał Kuk and Jakub Brzegowski and Edyta Brzychczy and Grzegorz J. Nalepa},
journal= {arXiv preprint arXiv:2112.08759},
year = {2022}
}
备注
Accepted to Applied Intelligence