Cluster Explanation via Polyhedral Descriptions

通过多面体描述进行聚类解释

本文关注聚类描述问题，即在给定数据集及其聚类划分的情况下，解释这些聚类的任务。我们提出了一种新的聚类解释方法，通过在每个聚类周围构建一个多面体，同时最小化最终多面体的复杂性或用于描述的特征数量来实现。我们将聚类描述问题表述为一个整数规划问题，并提出了一种列生成方法，以搜索用于构建多面体的指数数量候选半空间。为了处理大型数据集，我们引入了一种新颖的分组方案，首先将数据点形成较小的组，然后围绕分组数据构建多面体，这种方法优于常见的数据子采样方法。与最先进的聚类描述算法相比，我们的方法能够在保持可解释性的同时，提高描述的准确性。

i. Introduction

1.1 相关工作

这段文字对现有的可解释聚类研究进行了综述，主要包括两类：聚类描述和可解释聚类方法。以下是对其主要内容的分析：

1. 聚类描述与可解释聚类：

   • 聚类描述专注于对已给定聚类进行解释，而可解释聚类则使用可解释模型生成聚类。本文重点关注聚类描述。

2. 监督学习的应用：

   • 传统方法常通过监督学习算法预测聚类标签，尽管这在某种程度上可以视为多类分类的应用，但两者的目标不同：聚类描述更关注解释的简单性，而不仅仅是分类准确性。

3. 模型间的区别：

   • 聚类描述允许数据点可能落在所有现有聚类描述之外，而多类分类模型则需要进行推断并处理新数据。

4. 相关研究比较：

   • 提到了Carrizosa等人（2022）引入的整数规划框架，该框架选择单一原型点并围绕其构建描述，指出该方法在处理非紧凑或非等方差聚类时的局限性。

   • Davidson等人（2018）提出的DTDM问题与本文方法有相似之处，但在描述方式和要求上存在显著差异。

5. 使用可解释模型进行聚类：

   • 讨论了使用决策树和规则集等可解释模型的研究，强调这些方法假设聚类分配不是固定的，而本文则关注固定聚类的可解释性。

6. 建模和可扩展性：

   • 本文将聚类描述建模为整数规划（IP），而不是混合整数非线性规划（MINLP），这使得方法能够扩展到更大的数据集。

     PS:

     1.聚类描述建模为整数规划（IP）是一种优化方法，其中目标是通过选择和构造聚类的描述来最小化某种成本（如错误率、复杂性等），同时满足特定约束。整数规划的主要特点是决策变量必须是整数，这在处理离散选择时非常有效。在聚类描述中，这意味着可以对每个聚类的特征进行选择，从而生成多面体描述，以便对聚类进行清晰的解释。这种方法能够有效处理大规模数据集并优化解释的可理解性与准确性。

     2.混合整数非线性规划（MINLP）是一种优化方法，它结合了整数规划和非线性规划的特点。在MINLP中，决策变量可以是整数或连续值，并且目标函数和约束条件可以是非线性的。这使得MINLP能够处理更复杂的优化问题，比如那些涉及非线性关系或约束的情境。

     在聚类描述的背景下，使用MINLP可能涉及更灵活的模型来捕捉复杂的关系或特征之间的非线性关系。然而，这种方法的求解通常比整数规划更具挑战性，因为非线性导致了更复杂的解空间，可能会使得找到最优解变得更加困难。因此，在某些情况下，研究者可能选择使用整数规划（如IP）来获得更高的求解效率。

     3.整数规划（IP）和混合整数非线性规划（MINLP）之间的主要区别在于：

     1. 变量类型：

        • IP：所有决策变量都是整数（或布尔值）。

        • MINLP：包含整数和连续变量，且可以有非线性的目标函数和约束。

     2. 问题复杂度：

        • IP：求解相对简单，尤其是针对线性目标函数和约束，已有多种高效的求解算法。

        • MINLP：因包含非线性，求解过程通常更复杂，可能需要更长的时间和更多的计算资源。

     3. 求解方法：

        • IP：可以使用分支定界法、割平面法等高效的算法。

        • MINLP：常用的算法包括非线性优化方法，求解时间可能较长。

     选择使用IP而非MINLP的原因通常是为了提高求解效率和可扩展性，特别是在处理大规模数据集时，线性模型更容易求解和实现。对于聚类描述问题，保持模型简单且高效通常更为重要。

综上所述，这段文字清晰地界定了本文研究的背景、贡献以及与现有方法的比较，强调了聚类描述在可解释性和准确性之间的权衡，以及提出方法的独特性。

1.2 Ma