KnAC：背景知識と説明を用いたクラスタ解析の強化アプローチ

概要 多次元データセットにおけるパターン発見は、数十年にわたって研究の対象となっています。この目的のために使用できるクラスタリングアルゴリズムは幅広く存在します。しかし、実際の適用には、得られた結果の専門家による解釈と分析に関する共通のポストクラスタリングフェーズがあります。我々は、これはプロセスのボトルネックになる可能性があると主張します。特に、クラスタリングの前にドメイン知識がある場合には尚更です。こうした状況では、自動的に発見されたクラスタの適切な分析だけでなく、既存知識との適合性チェックも求められます。本研究では、知識拡張クラスタリング（KnAC）を提案します。その主な目標は、専門家によるラベリングを自動クラスタリングと対峙させることによって、前者を更新および洗練させることです。我々の解決策は、既存のクラスタリングアルゴリズムに制約されません。むしろ、KnACは任意のクラスタリングアルゴリズムの拡張として機能し、このアプローチを強靭にし、最先端のクラスタリング手法のモデル非依存の改善を可能にします。我々の手法の実現可能性を、人工的で再現性のある例と実際の使用事例シナリオで示します。いずれの場合も、拡張なしで古典的なクラスタリングアルゴリズムよりも良い結果を達成しました。