Detailansicht
Interpreting deep clustering results
Alexander Peikert
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Informatik
Betreuer*in
Torsten Möller
DOI
10.25365/thesis.79208
URN
urn:nbn:at:at-ubw:1-21070.64582.612272-3
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
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 Effektivität 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.
Abstract
(Englisch)
Deep clustering combines deep learning with clustering techniques to identify patterns in complex datasets. However, intermediate representations, such as the latent space, remain difficult to interpret, and existing tools provide limited support for model comparison during training. This thesis investigates how interactive visualizations can enhance latent space interpretability and assist domain experts in evaluating deep clustering algorithms. A visualization dashboard, named Clustorama, was designed and developed based on a requirements analysis with domain experts. The dashboard integrates multiple coordinated views, interactive filtering, dimensionality reduction options, metric visualizations, and misclustering detection. Usability and effectiveness were evaluated through a user study with participants performing tasks, like model filtering and misclustering identification, on a benchmark data set. Quantitative results showed an average task success rate of 89% and a System Usability Scale score of 74.16 (Grade B). Qualitative feedback indicated that the dashboard enabled deeper insights into latent space dynamics, improved comparison of different deep clustering models, and integrated multiple analysis tasks into a single tool. The findings suggest that Clustorama successfully addresses the identified requirements, improving the interpretability of deep clustering processes for expert users. Future work includes adding more deep clustering algorithms, improving scalability for large datasets, and enhancing guidance features to support non-expert users.
Schlagwörter
Schlagwörter
(Deutsch)
Datenvisualisierung Erklärbare KI
Schlagwörter
(Englisch)
Deep Clustering Data Visualization Explainable AI
Autor*innen
Alexander Peikert 
Haupttitel (Englisch)
Interpreting deep clustering results
Publikationsjahr
2025
Umfangsangabe
xv, 99 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Torsten Möller
AC Nummer
AC17636013
Utheses ID
77329
Studienkennzahl
UA | 066 | 921 | |