Renato Cordeiro de Amorim
PulseAugur coverage of Renato Cordeiro de Amorim — every cluster mentioning Renato Cordeiro de Amorim across labs, papers, and developer communities, ranked by signal.
-
New VoICE framework enhances counterfactual explanations for feature-weighted clustering
研究人员推出了一种新颖的框架VoICE，用于在特征加权k均值聚类中生成反事实解释。该方法通过将反事实生成构建为向加权Voronoi区域的投影，将通常用于监督学习的反事实概念扩展到无监督聚类领域。VoICE直接将特征权重纳入聚类几何和解释目标，旨在在可操作性约束下实现成本最低、最简洁的解释。该框架还包括数据派生的界限和向质心的收缩，以限制外推和边界敏感性，并在基准数据集上展示了优于现有成对基线性能的改进。
-
新准则利用数据难度优化 k-means++ 重启
研究人员为 k-means++ 算法开发了一种名为 GTRC 的新准则，用于确定最佳重启次数。该方法使用 Good-Turing 估计和置信区间，根据数据集难度动态调整重启次数，而不是依赖于任意固定的次数。在 36 个数据集上的测试表明，GTRC 在适当变化重启次数的同时实现了具有竞争力的聚类质量，提供了一种更具原则性的方法。
-
新的 Shapley 启发式 k-均值算法增强了特征加权
研究人员开发了 SHARK（Shapley Reweighted k-means），一种新颖的聚类算法特征加权方法，无需额外的超参数调优。该方法利用合作博弈论中的 Shapley 值来评估特征相关性，为无监督特征重要性提供了公理基础。SHARK 根据特征的 Shapley 贡献迭代调整特征权重，有效地强调信息维度并弱化不相关维度。实验表明，SHARK 在准确性和鲁棒性方面，尤其是在噪声数据集上，能够媲美甚至超越现有方法。
-
新的CAFE方法使用加权k均值改进特征提取
研究人员开发了一种名为Cluster-Adaptive Feature Extraction (CAFE)的新方法，该方法增强了无监督特征提取。CAFE利用Minkowski加权k均值（$mwk$-means）根据特征在簇内的离散度来适应性地加权特征。这种方法在理论上展示了特征权重如何抑制噪声特征并放大信息性特征，从而在实验中获得更好的结果。