多視角生成模型的可解釋性聚類研究.pdf

1、傳統(tǒng)的聚類算法僅從單一視角對數(shù)據(jù)進(jìn)行分析，并且由于聚類分析缺乏帶有語義的類標(biāo)簽，因此得到的聚類劃分不具有可解釋性。聚類劃分的可解釋性即聚類劃分由決策規(guī)則推理得到，并且聚類劃分可以被定性和定量地描述。多視角的和可解釋的聚類劃分將給決策者提供更多地選擇空間，并且可以使決策者批判性、改善性和探索性地相信和使用聚類劃分。
　　本文針對聚類的多視角性和可解釋性問題，提出多視角生成模型的可解釋性聚類(Interpretable Cluster

2、ing with Multi-view Generative model，ICMG)。ICMG能夠生成多個視角，并且基于視角得到多個有效的和無冗余的聚類劃分，最后通過視角的語義信息對聚類劃分進(jìn)行定性和定量地解釋。本文完成的工作如下：
　　(1)構(gòu)建嵌入多視角因素的貝葉斯案例模型(Muti-view BayesianCase Model，MBCM)。MBCM是將多視角因素引入到貝葉斯案例模型上的一個生成模型，MBCM可以生成含有多視

3、角因素的數(shù)據(jù)。
　　(2)構(gòu)建多視角生成模型(Multi-view Generative Model，MGM)。MGM基于有效原則和無冗余原則使用貝葉斯程序?qū)W習(xí)(BPL)的組合思想和MBCM生成多個有效的無冗余視角，并使用原型和子空間描述視角。
　　(3)提出多視角生成模型的可解釋性聚類(ICMG)。ICMG首先使用MGM得到多個使用原型和子空間描述的視角；然后利用原型和子空間構(gòu)建規(guī)則集，基于規(guī)則集進(jìn)行聚類；最后使用原型和子