.png){kind=icon}
返回
Interpretable multi-view clustering
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.111418.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多视图聚类已成为一个重要的研究领域，过去几十年中提出了多种方法以提高聚类精度。然而，在许多实际应用中，清晰地展示决策过程至关重要——具体而言，需要解释样本为何被分配到特定聚类中。因此，在开发可解释的多视图聚类方法方面仍存在显著差距。为填补这一关键空白，我们首次尝试引入了一种可解释的多视图聚类框架。该方法首先从每个视图中提取嵌入特征，并生成伪标签以引导决策树的初始构建。随后，它迭代优化每个视图的特征表示，同时细化可解释的决策树。在真实数据集上的实验结果表明，我们的方法不仅为多视图数据提供了透明的聚类过程，而且在性能上达到了与当前最先进的多视图聚类方法相当的水平。据我们所知，这是首次针对多视图数据设计可解释聚类框架的尝试，为该领域开辟了新的途径。
Keyword:
Multi-view clustering
Interpretability
Unsupervised learning
Decision tree
Joint optimization
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
Multi-view clustering via pseudo-label guide learning and latent graph structure recovery.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Interpretable and reconfigurable clustering of document datasets by deriving word-based rules通过派生基于词语的规则实现文档数据集的可解释且可重构的聚类
OAAI
OAAI分享收藏分享收藏Self-Supervised Discriminative Feature Learning for Deep Multi-View Clustering面向深度多视图聚类的自监督判别特征学习
OAAI
OAAI分享收藏
查看更多内容