質的変数の意味を考慮した表形式データに対する深層埋め込みクラスタリング手法に関する一考察

抄録

近年，深層埋め込みクラスタリングは，非線形データに対する効果的なクラスタリング手法として注目されている．この手法は，高次元データから有用な低次元表現を抽出することを目的としている．画像のような非構造化データに適した深層埋め込みクラスタリングを，構造化された表形式データへの適用を可能とした手法にGaussian Cluster Embedding in Autoencoder Latent Space（G-CEALS）がある．この手法は，多変量ガウシアンクラスタ分布を学習するフレームワークによって，表形式データに対する埋め込みクラスタリングを可能としている．しかし，名義尺度などの質的データを含むデータは想定しておらず，その効果は限定的である．そこで，本研究では，質的データが多く含まれる表形式データに対する新しいクラスタリング手法を提案する．具体的には，大規模言語モデルを用い，表形式データを文章変換した後，埋め込みモデルを用いてその文章から埋め込み表現を得る．この埋め込みを活用した深層学習により，質的データを含むデータセットでも効果的なクラスタリングを実現する．