ExDBSCAN: 반사실적 추론 (Counterfactual Reasoning)을 통한 DBSCAN 설명하기 -- 추가 자료

클러스터링 (Clustering)은 유사성에 따라 데이터 포인트를 그룹화하는 비지도 학습 (Unsupervised learning) 기법입니다. 지도 학습 (Supervised machine learning)을 위한 설명 가능성 (Explainability) 방법론은 존재하지만, 클러스터링에는 직접적으로 적용할 수 없어 클러스터 할당을 이해하는 데 어려움이 있습니다. 이러한 해석 가능성 (Interpretability)의 격차는 대중적인 밀도 기반 (Density-based) 방식인 DBSCAN에서 특히 두드러지는데, DBSCAN은 포인트를 이상치 (Inliers, 밀집 지역의 클러스터 구성원) 또는 이상치 (Outliers, 희소 지역의 노이즈 포인트)로 할당합니다. DBSCAN은 특정 포인트가 왜 그러한 할당을 받았는지, 또는 그 할당이 데이터의 작은 변화에 대해 강건한지 (Robust)에 대한 통찰을 제공하지 않습니다. 이러한 설명 가능성의 부족을 해결하기 위해, 우리는 밀도 인식 (Density-aware) 사후 설명 (Post-hoc explanation) 방법론인 ExDBSCAN을 소개합니다. ExDBSCAN은 타당성 (Validity)에 대한 이론적 보장과 함께 실행 가능한 반사실적 설명 (Counterfactual explanations)을 제공합니다. 이 방법은 밀도 연결 가중 그래프 (Density connected weighted graph)를 사용하여 여러 개의 반사실적 사례를 생성하며, 반사실적 후보들을 서로 밀어내어 다양성 (Diversity)을 확보하는 동시에 설명하려는 인스턴스(Instance) 쪽으로 끌어당겨 근접성 (Proximity)을 확보하는 물리 기반 모델 (Physics-inspired model)을 채택합니다. 30개의 정형 데이터셋 (Tabular datasets)을 활용하여 4개의 베이스라인 (Baselines)과 비교한 실증적 평가 결과, ExDBSCAN은 완벽한 타당성을 달성하고 다양하며 근접한 반사실적 사례를 검색하는 동시에 모든 베이스라인보다 뛰어난 성능을 보여주었습니다.