클러스터링 (Clustering)은 시장 세분화에서 생물학적 데이터 분석에 이르기까지 통찰력을 도출하는 탐색적 분석 및 과학적 발견을 위해 널리 사용되지만, 현대의 데이터셋이 점점 더 크고 복잡해짐에 따라 그 결과물을 해석(interpret), 감사(audit) 및 재현(reproduce)하는 것이 어려워질 수 있습니다. 클러스터링을 신뢰성 있게 사용하려면 어떤 특성 (feature)이 발견된 구조를 주도하는지 이해해야 하지만, 지도 학습 (supervised learning)의 방법론들에 비해 클러스터링에 대한 특성 수준의 설명은 여전히 부족한 실정입니다. 더욱이, 기존의 클러스터링 특성 중요도 점수들은 종종 특정 알고리즘 및 데이터 가정에 종속되어 있습니다. 이러한 과제를 해결하기 위해, 우리는 클러스터링을 위한 모델 불가지론적 (model-agnostic) 특성 중요도 점수 제품군인 Cluster LOCO (Leave-One-Covariate-Out)를 제안합니다. Cluster LOCO는 특성 차폐 (feature occlusion)와 클러스터 일반화 가능성 (clustering generalizability)을 기반으로 구축되었으며, 여기서 일반화 가능성이란 데이터의 한 서브셋 (subset)에서 학습된 클러스터 레이블이 홀드아웃 (held-out) 샘플에서 정확하게 예측될 수 있는지를 의미합니다. 어떤 클러스터링 알고리즘을 선택하더라도, Cluster LOCO는 특정 특성을 제거했을 때 일반화 가능성이 얼마나 저하되는지를 측정함으로써 해당 특성의 중요도를 정량화합니다. 우리는 먼저 데이터 분할 (data splitting)에 의존하는 Cluster LOCO-Split을 소개한 다음, 이를 대규모 데이터용으로 설계된 미니패치 앙상블 기반 버전인 Cluster LOCO-MP로 확장합니다. 합성 시뮬레이션 (synthetic simulations)과 단일 세포 전사체학 (single-cell transcriptomics)에서의 세포 유형 발견 적용 사례를 통해, 우리는 Cluster LOCO가 기존의 클러스터링 특성 중요도 방법들보다 정보가 풍부한 특성들을 더 신뢰성 있게 복구함을 보여줍니다.