17.09.2025, 09:30 Uhr

Universität Wien
Besprechungsraum 4.34
Währinger Str. 29
1090 Wien

Titel: Interpreting Deep Clustering Results

Kurzfassung:
Deep Clustering kombiniert Deep Learning mit Clustering-Techniken, um Muster in
komplexen Datensätzen zu identifizieren. Allerdings sind Zwischenrepräsentationen,
wie beispielsweise der latente Raum, nach wie vor schwer zu interpretieren, und bestehende
Tools bieten nur begrenzte Unterstützung für den Modellvergleich während
des Trainings. Diese Arbeit untersucht, wie interaktive Visualisierungen die Interpretierbarkeit
des latenten Raums verbessern und Domänenexperten bei der Bewertung von
Deep-Clustering-Algorithmen unterstützen können. Ein Visualisierungs-Dashboard namens
Clustorama wurde auf Grundlage einer Anforderungsanalyse mit Fachexperten
entworfen und entwickelt. Das Dashboard integriert mehrere koordinierte Ansichten,
interaktive Filterung, Optionen zur Dimensionsreduktion, Visualisierungen von Metriken
und die Erkennung von falsch geclusterten Datenpunkten. Die Benutzerfreundlichkeit
und E"ektivität wurden anhand einer Benutzerstudie bewertet, bei der die Teilnehmer
Aufgaben wie Modellfilterung und Identifizierung von falsch geclusterten Datenpunkten
anhand eines Benchmark-Datensatzes durchführten. Die quantitativen Ergebnisse
zeigten eine durchschnittliche Erfolgsquote von 89% und einen System Usability Scale
Score von 74,16 (Note B). Qualitatives Feedback zeigte, dass das Dashboard tiefere
Einblicke in die Dynamik des latenten Raums ermöglichte, den Vergleich verschiedener
Deep-Clustering-Modelle verbesserte und mehrere Analyseaufgaben in einem einzigen
Tool integrierte. Die Ergebnisse deuten darauf hin, dass Clustorama die identifizierten Anforderungen
erfolgreich erfüllt und die Interpretierbarkeit von Deep-Clustering-Prozessen
für erfahrene Benutzer verbessert. Zukünftige Arbeiten umfassen das Hinzufügen weiterer
Deep-Clustering-Algorithmen, die Verbesserung der Skalierbarkeit für große Datensätze
und die Erweiterung der Hilfestellungsfunktionen zur Unterstützung von Nicht-Experten.