본 논문은 지도 학습에 잘 확립된 반사실적 설명을 클러스터링에 확장하는 방법을 제시합니다. 특징 가중 $k$-means 클러스터링을 위한 Voronoi 기반 반사실적 설명 프레임워크인 VoICE를 소개합니다.
VoICE는 특징 가중을 클러스터링 기하학 및 반사실적 목표에 직접 통합하여 실행 가능성 제약 조건 하에서 최소 비용의 간결한 설명을 생성합니다.
VoICE는 여러 벤치마크 데이터 세트에서 선도적인 쌍 기반 모델보다 일관되게 유효한 대상 클러스터 멤버십을 생성합니다.