ExplainCC 可解释聚类方法被 CIKM 2026 接收
热点事件持续更新
ExplainCC 可解释聚类方法被 CIKM 2026 接收
1 篇报道1 个报道来源8 小时前更新
先了解这件事
AI 综述
2026 年 10 月 30 日，arXiv 发布论文，由 Nadeesha Shyami Kumari Herath Mudiyanselage 等人提出 ExplainCC 可解释关联聚类方法。该方法利用贪心算法构建决策树以最小化目标函数，实现标签树生成可解释聚类。 论文已被 CIKM 2026 正式接收。实验显示，该算法可在数分钟内处理含百万级边的图，在合成数据上成功恢复真实标签，并能在现实网络中生成可解释聚类结果，为带标签数据的可解释聚类提供了新的理论框架。
AI 根据报道生成 · 3 小时前更新
最新进展10月30日 12:00
ExplainCC 通过标签树生成可解释关联聚类报道时间线
沿着报道，了解事件的不同侧面。
10月30日
- arXiv · MLExplainCC 通过标签树生成可解释关联聚类
ExplainCC 针对带标签数据提出可解释关联聚类（CC）方案，利用贪心算法构建决策树以最小化 CC 目标函数。 该算法可在数分钟内处理含百万级边的图，在合成数据上恢复真实标签，并生成现实网络中可解释的聚类。 论文已被 CIKM 2026 接收，为带标签数据的可解释聚类提供了新的理论框架。
本事件热度走势
- 可比范围当前
- 8
- 可比范围峰值
- 910月30日 17:00
- 近 24 小时变化
- –
02.557.510
17:0018:0019:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。