자유 시선(Free-viewing) 시선 데이터는 인간의 시각적 주의(visual attention)에 대한 풍부하고 작업 독립적인(task-free) 창을 제공합니다. 이 데이터에 대한 전통적인 탐색적 데이터 분석(exploratory data analysis)은 고정(fixations) 및 관심 영역(areas of interest)을 통해 사용자 주의 패턴을 제공합니다. 그러나 이러한 시선 데이터의 풍부함에도 불구하고, 인간-정보 상호작용(human-information interaction, HII) 패턴에 대한 연구는 부족한 실정입니다. 본 연구에서는 사용자 및 자극 특성에 따른 시선 데이터의 합의 클러스터링(consensus clustering)을 사용하여 이 격차를 해소합니다. 우리는 자유 시선 시선 데이터셋의 합의 클러스터링을 위한 새로운 엔드 투 엔드(end-to-end) 비지도 앙상블 학습(unsupervised ensemble learning) 시스템인 EnsembleGaze를 제시합니다. 사용자 행동과 자극 유형을 특징짓는 것을 목표로, 우리는 고정 기반 분포(fixation-based distributions)의 통계적 기술자(statistical descriptors)에 기반한 특징 공학(feature engineering) 단계를 제안합니다. EnsembleGaze는 공통 연관 행렬(co-association matrix)을 계산하기 위해 특징 벡터(feature vector)에 구현된 선택된 클러스터링 방법들의 합의 투표(consensus voting)를 포함합니다. 사용자 및 자극에 대한 별도의 합의 클러스터링을 베이스라인으로 사용하여, 우리는 사용자 및 이미지 특성 결합에 기반하여 시선 클러스터를 결정하기 위한 두 가지 고차원 클러스터링 전략을 추가로 제안합니다. 이는 합의 부분 공간 클러스터링(consensus subspace clustering)과 스펙트럴 바이클러스터링(spectral biclustering)입니다. 클러스터링 성능은 선택된 표준 지표를 사용하여 평가되며, 이미지 수준의 속성을 통해 추가적으로 해석됩니다. 우리의 시스템은 장면 인지(scene perception) 연구에서 고정 행동(fixation behavior)의 비지도 분석을 위한 복제 가능한 방법을 제공합니다. 연구 결과, 이미지 자극 그룹화는 방법론 전반에 걸쳐 매우 일관되게 나타나 주변 시각(ambient) 대 중심 시각(focal) 관찰 모드의 견고한 구분을 반영하는 반면, 사용자 그룹화는 이미지 문맥에 의존적이며, 이러한 구조는 바이클러스터링(biclustering)과 두 단계 조건부 접근 방식만이 구조적으로 복구할 수 있음을 보여줍니다. 공개적으로 사용 가능한 데이터셋에 대한 테스트 결과, 각 데이터셋은 서로 다른 클러스터링 전략을 통해 상호 보완적인 통찰을 제공하며 데이터셋 특유의 패턴을 드러냈습니다.