Clustering hochdimensionaler Daten: Abstraktion vs. Darstellung – AAAI 2026

Im Rahmen des AAAI 2026 wird ein Tutorial vorgestellt, das sich mit der Herausforderung beschäftigt, große, reale Datensätze in sinnvolle Gruppen zu zerlegen. Dabei steht die Balance zwischen Abstraktion und Darstellung im Fokus.

Clustering erfordert, dass überflüssige Details einzelner Objekte ausgeblendet werden, während gleichzeitig eine aussagekräftige Repräsentation geschaffen wird, die die gemeinsamen Merkmale von Objektgruppen hervorhebt. Jede Methode trifft einen eigenen Kompromiss zwischen diesen beiden Zielen.

Ein klassisches Beispiel ist K‑Means, das eine starke Abstraktion nutzt, indem es die Datenpunkte zu Mittelwerten zusammenfasst, und gleichzeitig eine sehr einfache Darstellung verwendet, bei der alle Cluster als Gaussische im ursprünglichen Datenraum modelliert werden.

Moderne Ansätze wie Subspace‑Clustering und Deep‑Clustering ermöglichen komplexere Darstellungen, indem sie höhere Dimensionen und tiefere Strukturen berücksichtigen. Mit zunehmender Ausdruckskraft der Repräsentation steigt jedoch die Notwendigkeit, die Abstraktion explizit im Optimierungsziel zu erzwingen, damit das Verfahren tatsächlich Clustering und nicht nur reine Repräsentationslernen durchführt.

Deep‑Clustering‑Methoden adressieren dieses Problem, indem sie Abstraktionsziele in Form von zentroid‑basierten und dichtheitsbasierten Verlustfunktionen definieren und erzwingen.

Subspace‑Clustering unterstützt die Balance, indem es zwei latente Räume lernt: einen für die für das Clustering relevanten Informationen und einen zweiten, der sämtliche übrigen Informationen erfasst.

Das Tutorial schließt mit einem Ausblick auf zukünftige Forschungsrichtungen, in denen adaptive Verfahren entwickelt werden sollen, die Abstraktion und Darstellung noch gezielter aufeinander abstimmen.