新的MDL-GBG方法增强了聚类的可解释性

研究人员推出了一种新颖的非参数细粒度球生成聚类方法MDL-GBG，该方法增强了可解释性。该方法将细粒度球生成视为一个局部模型选择问题，利用最小描述长度（MDL）原理来比较每个球的候选解释。在UCI数据集上的实验表明，MDL-GBG为聚类提供了有效的上游表示，其中MDL-GBG+AC变体在ARI、ACC和NMI方面取得了卓越的性能。 AI

影响 引入了一种更具可解释性和原则性的聚类方法，有可能改进依赖于数据分割的下游AI任务。

排序理由 该集群包含一篇详细介绍新聚类方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• Caihui Liu
• Connected Papers
• CORE Recommender
• Friedman-Nemenyi analysis
• Hugging Face
• MDL-GBG
• MDL-GBG+AC
• minimum description length
• UCI datasets

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →