[论文解读] IPBC: An Interactive Projection-Based Framework for Human-in-the-Loop Semi-Supervised Clustering of High-Dimensional Data

Mohammad Zare|arXiv (Cornell University)|Jan 25, 2026

Data Visualization and Analytics被引用 0

一句话总结

IPBC 将基于交互的、受约束的投影学习与人机反馈循环结合，以迭代改进二维嵌入从而提升聚类效果，并从原始特征中给出可解释的聚类特征描述。

ABSTRACT

High-dimensional datasets are increasingly common across scientific and industrial domains, yet they remain difficult to cluster effectively due to the diminishing usefulness of distance metrics and the tendency of clusters to collapse or overlap when projected into lower dimensions. Traditional dimensionality reduction techniques generate static 2D or 3D embeddings that provide limited interpretability and do not offer a mechanism to leverage the analyst's intuition during exploration. To address this gap, we propose Interactive Project-Based Clustering (IPBC), a framework that reframes clustering as an iterative human-guided visual analysis process. IPBC integrates a nonlinear projection module with a feedback loop that allows users to modify the embedding by adjusting viewing angles and supplying simple constraints such as must-link or cannot-link relationships. These constraints reshape the objective of the projection model, gradually pulling semantically related points closer together and pushing unrelated points further apart. As the projection becomes more structured and expressive through user interaction, a conventional clustering algorithm operating on the optimized 2D layout can more reliably identify distinct groups. An additional explainability component then maps each discovered cluster back to the original feature space, producing interpretable rules or feature rankings that highlight what distinguishes each cluster. Experiments on various benchmark datasets show that only a small number of interactive refinement steps can substantially improve cluster quality. Overall, IPBC turns clustering into a collaborative discovery process in which machine representation and human insight reinforce one another.

研究动机与目标

• 在高维数据中，当距离度量在高维中失去效用时，推动更优的聚类效果。
• 提出一个半监督的可视化分析框架，利用用户约束来塑造二维嵌入。
• 通过必须联系（must-link）与不能联系（cannot-link）反馈实现迭代投影优化，提升聚类分离度。
• 提供可解释性层，将聚类映射回原始高维特征以描述定义性特征。

提出的方法

• 以非线性降维（UMAP）作为基础投影，获得初始二维嵌入。
• 用户驱动的交互循环，通过选择工具提供约束（must-link、cannot-link）并将其整合到投影损失中。
• 损失项扩增：L_total = L_UMAP + lambda_ML L_ML + lambda_CL L_CL，其中 L_ML 将必须联系点拉近，L_CL 以基于边距的方式实现不能联系对的分离。
• 在每次用户反馈后对二维嵌入进行实时再优化（以上一次坐标为暖启动）。
• 最终在优化后的二维坐标上进行聚类（如 DBSCAN）。
• 可解释性模块在原始高维特征上训练一个轻量级分类器，用来描述每个聚类的定义特征。

Figure 1: The IPBC framework. (1) High-dimensional data is input. (2) An initial projection (e.g. UMAP) is generated. (3) The user interacts with the visualization via UI tools. (4) Feedback (must-link/cannot-link constraints) is sent to the (5) projection model, which augments its loss. (6) A new r

实验结果

研究问题

• RQ1 用户提供的成对约束如何重塑非线性投影以揭示更清晰的聚类结构？
• RQ2 将必须联系与不能联系的反馈整合到投影目标是否能相较静态的 DR+聚类管线提升聚类质量？
• RQ3 在用户细化的二维嵌入上执行聚类，是否能实现比传统管线更高的地面真相对齐度？
• RQ4 对发现的聚类能提供哪些可解释的（特征层面的）解释以提升信任度？

主要发现

方法	MNIST ARI	MNIST NMI	MNIST Sil	Fashion-MNIST ARI	Fashion-MNIST NMI	Fashion-MNIST Sil	单细胞 ARI	单细胞 NMI	单细胞 Sil
K-Means (raw)	0.25	0.40	0.05	0.20	0.30	0.04	0.40	0.50	0.10
K-Means + PCA	0.35	0.50	0.08	0.30	0.45	0.08	0.45	0.60	0.15
UMAP + DBSCAN	0.60	0.70	0.25	0.50	0.65	0.25	0.70	0.75	0.35
IPBC (ours)	0.80	0.85	0.50	0.75	0.80	0.45	0.88	0.92	0.60

• 在带有模拟用户反馈的情形下，IPBC 在 MNIST、Fashion-MNIST 和单细胞 RNA 数据集上显著提高了 ARI 与 NMI，相较基线表现更优。
• 与静态 DR+聚类基线相比，IPBC 提升聚类质量（例如在 MNIST 上 ARI 高达 0.80，在另一个数据集上高达 0.88）。
• 多轮交互式细化（在报道的实验中为三轮）显著提升了二维嵌入中的聚类分离度。
• 可解释性组件通过轻量级分类器给出每个聚类的主要贡献原始特征，提升可解释性。
• 在最终的 IPBC 嵌入上应用的 DBSCAN 相较于对原始数据或经 PCA 预处理的数据的 DBSCAN，在所报道的指标中表现更优。
• 定性案例研究表明，用户引导的约束可以在投影中分离重叠类别（如 MNIST 中的数字 4 与 9）。

Figure 2: Visual comparison of projections on MNIST. (a) PCA (poor separation). (b) Standard UMAP (good, but digits 4 and 9 are mixed). (c) Our IPBC result after 3 feedback iterations (digits 4 and 9 are now clearly separated).