多视角生成模型的可解释性聚类

潘笑颜; 娄铮铮; 姬波; 叶阳东

doi:10.7544/issn1000-1239.2017.20170175

多视角生成模型的可解释性聚类

(郑州大学信息工程学院郑州 450001) (panxiaoyan@gs.zzu.edu.cn)

基金项目: 国家自然科学基金项目(61502434,61170223)；河南省科技攻关项目(172102210011)

详细信息

中图分类号: TP181
计量
- 文章访问数: 1595
- HTML全文浏览量: 0
- PDF下载量: 535
出版历程
- 发布日期: 2017-07-31

Interpretable Clustering with Multi-View Generative Model

(School of Information Engineering Zhengzhou University, Zhengzhou 450001)

摘要

摘要: 针对聚类中的多视角和可解释的问题，提出多视角生成模型的可解释性聚类算法(interpretable clustering with multi-view generative model, ICMG).ICMG能够产生多个视角的聚类划分，并通过视角的语义信息对聚类结果进行定性和定量地解释.首先，构建一种多视角生成模型(multi-view generative model, MGM)，该模型使用贝叶斯程序学习(Bayesian program learning, BPL)和嵌入多视角因素的贝叶斯案例模型(multi-view Bayesian case model, MBCM)生成多个视角.其次，基于视角的匹配度进行聚类得到多种聚类方案.最后使用视角的原型和子空间所附带的语义信息定性和定量地解释聚类结果.实验结果表明：ICMG能够得到多种可解释的聚类结果，相比于传统多视角聚类算法具有较明显的优势.
- 贝叶斯程序学习 /
- 贝叶斯案例模型 /
- 可解释 /
- 多视角 /
- 聚类
Abstract: Clustering has two problems: multi-view and interpretation. In this paper, we propose an interpretable clustering with multi-view generative model (ICMG). ICMG can get multiple clustering based multi-view meanwhile qualitatively and quantitatively interpret clustering results by using semantic information in views. Firstly, we construct a multi-view generative model (MGM). It generates multiple views by using Bayesian program learning (BPL) and multi-view Bayesian case model (MBCM). Then we get multiple clustering by clustering based on views’ matching degree. Finally, ICMG qualitatively and quantitatively interprets clustering results by using semantic information in views’ prototypes and important features. Experimental results show ICMG can get multiple interpretable clustering and the performance of ICMG is superior to traditional multi-view clustering.
- Bayesian program learning (BPL) /
- Bayesian case model (BCM) /
- interpretable /
- multi-view /
- clustering

HTML全文

参考文献(0)

施引文献(21)

期刊类型引用(10)

1.	徐怡，陶强. 划分序乘积空间约简算法研究. 系统工程理论与实践. 2025(02): 554-570 . 百度学术
2.	刘长顺，刘炎，宋晶晶，徐泰华. 基于论域离散度的属性约简算法. 山东大学学报(理学版). 2023(05): 26-35+52 . 百度学术
3.	张清华，艾志华，张金镇. 融合密度与邻域覆盖约简的分类方法. 陕西师范大学学报(自然科学版). 2022(03): 33-42 . 百度学术
4.	张雨新，孙达明，李飞. 基于粒化单调的不完备混合型数据增量式属性约简算法. 计算机应用与软件. 2021(03): 279-286 . 百度学术
5.	邹丽，任思远，杨光，杨鑫华. 基于改进条件邻域熵的接头疲劳寿命影响因素分析. 焊接学报. 2021(11): 43-50+99-100 . 百度学术
6.	刘正，陈雪勤，张书锋. 基于最小化邻域互信息的邻域熵属性约简算法. 微电子学与计算机. 2020(03): 26-32 . 百度学术
7.	陈帅，张贤勇，唐玲玉，姚岳松. 邻域互补信息度量及其启发式属性约简. 数据采集与处理. 2020(04): 630-641 . 百度学术
8.	周艳红，张强. 基于三层粒结构的三支邻域熵. 数学的实践与认识. 2020(14): 83-93 . 百度学术
9.	亓慧，史颖. 不同度量下集成属性选择器的对比研究. 山西大学学报(自然科学版). 2019(04): 848-853 . 百度学术
10.	周艳红，张迪，张强. 基于单调信息度量的特定类属性约简. 内江师范学院学报. 2019(12): 35-39 . 百度学术