Erklärbarer Einfluss von partieller Überwachung in halbüberwachtem Fuzzy-Clustering

Die Kontrolle des Einflusses der partiellen Überwachung auf die Ergebnisse der Modellierung ist von größter Bedeutung im halbüberwachten Fuzzy-Clustering. Semi-Supervised Fuzzy C-Means (SSFCMeans), ein spezifisches Modell, das wir betrachten, verwendet einen einzigen Hyperparameter, den Skalierungsfaktor α, um den Einfluss von teilweise gekennzeichneten Daten zu gewichten. Dieses Konzept wurde verbreitet und wurde direkt in vielen Arbeiten, die auf SSFCMeans aufbauen, wiederverwendet oder sogar auf andere Fuzzy-Clustering-Algorithmen wie Possibilistic C-Means angewendet. Allerdings hat keine der Arbeiten die ursprüngliche Interpretation von α hinterfragt, die besagt, dass der Einfluss der partiellen Überwachung direkt proportional zum Skalierungsfaktor ist. Wir schließen diese Forschungslücke und analysieren diese Beziehung gründlich. Wir bieten neuartige Erklärungen des Skalierungsfaktors α in Bezug auf das Schlüsselmuster des Fuzzy-Clustering - die Mitgliedschaftswerte. Wir beweisen, dass der Einfluss der partiellen Überwachung eine nichtlineare Funktion von α ist. Unser Ansatz basiert auf dem Erklärbarkeitsrahmen, der Interpretation von einer Erklärung unterscheidet und letzteres als überlegen betrachtet. Die Erklärung des Skalierungsfaktors führt zu einem erklärbaren Einfluss der partiellen Überwachung und ermöglicht eine größere Kontrolle darüber. Schließlich schlagen wir, basierend auf den neuartigen Erklärungen, einen einheitlichen, analytisch gerechtfertigten Rahmen zur Auswahl des Wertes des Hyperparameters α vor, der auf dem Cross-Validation-Ansatz basiert. Wir veranschaulichen, dass der vorgeschlagene Rahmen eine umfassende Analyse des Einflusses der partiellen Überwachung in SSFCMeans mit einem Simulationsexperiment ermöglicht.