クラスタリングの強化：フィルタリングされたパターンによる説明可能なアプローチ

要旨: 機械学習は中心的な研究領域となり、説明可能クラスタリング（コンセプトクラスタリングとも呼ばれる）に対する関心が高まっている。これは、知識駆動型の教師なし学習パラダイムであり、データを互いに素な \theta 個のクラスタに分割する。各クラスタは、典型的には閉包パターンまたはアイテムセットとして表される明示的な記号表現によって記述される。人が解釈可能なクラスタ記述を提供することで、説明可能クラスタリングは、説明可能人工知能および知識発見において重要な役割を果たす。近年の研究では、k-relaxed frequent patterns（k-RFPs、k-緩和頻出パターン）を導入することでクラスタリング品質を向上させた。これは、一般化された kcover 定義によって厳密な被覆（カバレッジ）制約を緩和するパターンモデルである。この枠組みは、パターン生成に SAT ソルバを用いた制約に基づく推論と、クラスタ選択に Integer Linear Programming（ILP、整数線形計画法）を用いた組合せ最適化を統合する。効果は高いものの、このアプローチには重大な制限がある。すなわち、複数の異なる k-RFP が同一の k-covers を誘導し得るため、冗長な記号表現が生じて探索空間が不必要に拡大し、クラスタ構築中の計算複雑性が増大する。本論文では、パターン削減フレームワークによってこの冗長性に対処する。貢献は三つある。第一に、異なる k-RFP が同一の k-covers を誘導する条件を形式的に特徴付け、冗長性検出のための理論的基盤を与える。第二に、各異なる k-cover に対して単一の代表パターンを保持することで、冗長なパターンを除去する最適化戦略を提案する。第三に、ILP モデルが選択するパターンの解釈可能性と代表性を、その誘導するクラスタに対する頑健性を解析することで調べる。複数の実世界データセットに対して行った広範な実験により、提案手法がパターン探索空間を大幅に削減し、計算効率を向上させ、結果として得られるクラスタの品質を（場合によっては）維持し、さらに向上させることが示された。