Explainable Clustering of Mixture Models
本文针对混合模型的可解释聚类问题，提出首个数据依赖的“可解释性代价”界限。研究聚焦于具有次指数尾部的 K-中位数混合模型聚类，设计了一种利用数据分布信息寻找更优切分的算法，并证明了新的上下界；同时将该算法及理论保证扩展至核聚类，改进了现有的最坏情况分析。该工作由 Moshkovitz 等人于 ICML 2020 首次提出，旨在评估轴对齐决策树对给定聚类的近似程度，此前相关界限因缺乏数据依赖性而在实际场景中过于悲观。