🤖 machine learning

ExDBSCAN: Explaining DBSCAN with Counterfactual Reasoning -- Additional Material

यह शोध पत्र ExDBSCAN प्रस्तुत करता है, जो एक पोस्ट-हॉक स्पष्टीकरण विधि है जो DBSCAN क्लस्टर असाइनमेंट के लिए वैध, विविध और समीपवर्ती स्पष्टीकरण प्रदान करने के लिए एक घनत्व-जागरूक, भौतिकी-प्रेरित काउंटरफैक्टुअल दृष्टिकोण का उपयोग करता है, जो 30 डेटासेट पर मौजूदा बेसलाइन से बेहतर प्रदर्शन करता है।

मूल लेखक: Pernille Matthews, Lena Krieger, Tommaso Amico, Artur Zimek, Thomas Seidl, Ira Assent

प्रकाशित 2026-05-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Pernille Matthews, Lena Krieger, Tommaso Amico, Artur Zimek, Thomas Seidl, Ira Assent

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ ExDBSCAN पेपर का स्पष्टीकरण दिया गया है, जिसे सरल अवधारणाओं और रोज़मर्रा के उदाहरणों में विभाजित किया गया है।

समस्या: क्लस्टरिंग का "ब्लैक बॉक्स" (Black Box)

कल्पना कीजिए कि आप एक बहुत बड़ी पार्टी आयोजित कर रहे हैं जहाँ मेहमानों को उनकी समानताओं के आधार पर समूहों (circles) में बांटा गया है। आप यह करने के लिए एक लोकप्रिय विधि का उपयोग करते हैं जिसे DBSCAN कहा जाता है। DBSCAN लोगों के समूहों को खोजने में बहुत अच्छा है जो एक भीड़ भरे कमरे में एक-दूसरे के करीब खड़े हैं, भले ही उन समूहों का आकार अजीब हो (जैसे C-आकार या सर्पिल/spiral), न कि केवल सटीक गोले। यह कोने में अकेले खड़े लोगों को "शोर" (noise/outliers) के रूप में भी पहचानता है।

समस्या: DBSCAN ग्रुप बनाने में तो बहुत अच्छा है, लेकिन यह यह बताने में बहुत खराब है कि ऐसा क्यों हुआ।

यदि आप पूछते हैं, "एलिस 'म्यूजिक लवर्स' समूह में क्यों है?" तो DBSCAN बस कहता है, "क्योंकि वह उस समूह के केंद्र के करीब है।"
यदि आप पूछते हैं, "बॉब कोने में अकेला क्यों खड़ा है?" तो DBSCAN कहता है, "क्योंकि वह बाकी सबसे दूर है।"
लापता कड़ी: यह आपको यह नहीं बताता कि बॉब को समूह में शामिल होने के लिए क्या विशिष्ट बदलाव करने की आवश्यकता है। क्या उसे ज़ोर से बोलना होगा? क्या उसे अलग शर्ट पहननी होगी? क्या उसे दो फीट बाईं ओर खिसकना होगा? इसके बिना, परिणाम एक मददगार टूल के बजाय एक जादू के खेल जैसा लगता है।

समाधान: ExDBSCAN (एक "क्या-अगर" गाइड)

लेखकों ने एक नया टूल बनाया है जिसे ExDBSCAN कहा जाता है। इसे इन पार्टी समूहों के लिए एक "क्या-अगर" (What-If) गाइड के रूप में समझें। यह केवल यह बताने के बजाय कि कौन किस समूह में है, इस प्रश्न का उत्तर देता है: "मैं इस व्यक्ति को कोने से निकालकर एक समूह में शामिल करने के लिए क्या छोटा सा बदलाव कर सकता हूँ?"

यह काउंटरफैक्चुअल्स (Counterfactuals) उत्पन्न करके ऐसा करता है। सरल भाषा में, काउंटरफैक्चुअल एक "क्या-अगर" परिदृश्य है।

उदाहरण: "यदि बॉब ने लाल टोपी पहनी होती (एक विशेषता बदली होती), तो वह म्यूजिक लवर्स समूह में शामिल होने के लिए पर्याप्त करीब होता।"

यह कैसे काम करता है: पार्टी का भौतिक विज्ञान (Physics)

ExDBSCAN का चतुर हिस्सा यह है कि यह इन बदलावों को कैसे खोजता है। लेखकों ने मानक गणित का उपयोग नहीं किया; उन्होंने समस्या को मॉडल करने के लिए भौतिकी (physics) का उपयोग किया। वे डेटा पॉइंट्स को एक कमरे में आवेशित कणों (charged particles) के रूप में देखते हैं।

लक्ष्य (निकटता/Proximity): आप चाहते हैं कि बदलाव वास्तविक हो। आप बॉब को "एक अलग व्यक्ति बनने" के लिए नहीं कहना चाहते। आप चाहते हैं कि वह बस थोड़ा सा हिले।
- उदाहरण: उस व्यक्ति (बॉब) को जोड़ने के लिए जो अकेला खड़ा है, उस समूह से जो वह शामिल होना चाहता है, एक स्प्रिंग (spring) की कल्पना करें। यह स्प्रिंग छोटा रहना चाहता है। यह बॉब को धीरे से समूह की ओर खींचता है, जिससे यह सुनिश्चित होता है कि बदलाव न्यूनतम और वास्तविक हो।
विविधता (Diversity): आप केवल एक उत्तर नहीं चाहते। आप यह भी जानना चाहते हैं कि बॉब के पास शामिल होने के सभी अलग-अलग तरीके क्या हैं। शायद वह टोपी पहनकर, या करीब आकर, या अपनी आवाज़ बदलकर शामिल हो सकता है।
- उदाहरण: कल्पना करें कि संभावित "नया बॉब" उम्मीदवार समान चार्ज वाले चुंबक (magnets) हैं। यदि आप दो समान चार्ज वाले चुंबकों को एक-दूसरे के पास रखते हैं, तो वे एक-दूसरे को प्रतिक्षेपित (repel) करते हैं (दूर धकेलते हैं)। यह विभिन्न "क्या-अगर" परिदृश्यों को एक-दूसरे से अलग और विविध रहने के लिए मजबूर करता है, न कि केवल एक ही छोटे बदलाव के मामूली संस्करण बने रहने के लिए।
मानचित्र (द ग्राफ़/The Graph): DBSCAN लोगों को केवल सीधी रेखा की दूरी के आधार पर नहीं, बल्कि "घनत्व" (density - कितनी भीड़ है) के आधार पर समूहों में बांटता है। दो लोग सीधी रेखा में करीब हो सकते हैं, लेकिन यदि उनके बीच एक दीवार (कम घनत्व वाला क्षेत्र) है, तो वे वास्तव में जुड़े हुए नहीं हैं।
- उदाहरण: ExDBSCAN पार्टी का एक ऐसा मानचित्र बनाता है जो दीवारों और भीड़ भरे कमरों का सम्मान करता है। यह दूरी को "सीधी रेखा" (Euclidean distance) के रूप में नहीं मापता; यह दूरी को इस रूप में मापता है कि "मुझे भीड़ के माध्यम से कितने कदम चलने होंगे?" यह सुनिश्चित करता है कि दी गई सलाह वास्तव में क्लस्टरिंग के नियमों के भीतर संभव है।

परिणाम: यह बेहतर क्यों है?

लेखकों ने 30 अलग-अलग डेटासेट्स (जैसे अलग-अलग प्रकार की पार्टी गेस्ट लिस्ट) पर ExDBSCAN का परीक्षण किया और इसकी तुलना चार अन्य तरीकों से की।

पूर्ण वैधता (Perfect Validity): ExDBSCAN द्वारा दिया गया हर एक सुझाव वास्तव में काम कर गया। यदि इसने कहा, "यदि बॉब यहाँ आता है तो वह समूह में शामिल हो जाएगा," तो बॉब वास्तव में समूह में शामिल हो गया। अन्य तरीकों ने अक्सर ऐसे सुझाव दिए जो कागज़ पर तो अच्छे दिखते थे लेकिन वास्तविक DBSCAN नियमों के विरुद्ध विफल हो गए।
वास्तविकता के करीब: सुझाए गए बदलाव अन्य तरीकों की तुलना में छोटे और अधिक वास्तविक थे।
अधिक विविधता: इसने समाधानों की एक विस्तृत श्रृंखला पेश की, न कि केवल एक ही विचार के मामूली बदलाव।

वास्तविक दुनिया के नियम संभालना

पेपर में यह भी उल्लेख है कि कभी-कभी आप कुछ चीज़ों को बदल नहीं सकते।

उदाहरण: कल्पना कीजिए कि बॉब 80 वर्ष का है। आप उसे समूह में फिट होने के लिए "20 वर्ष का बनने" के लिए नहीं कह सकते। यह एक अक्रियाशील विशेषता (unactionable feature) है।
ExDBSCAN इसे संभाल सकता है। यह जानता कि उसे केवल उन चीज़ों में बदलाव तलाशना है जिन्हें बॉब नियंत्रित कर सकता है (जैसे उसकी शर्ट का रंग या उसकी स्थिति), उन चीज़ों को अनदेखा करते हुए जिन्हें वह बदल नहीं सकता (जैसे उसकी उम्र)।

सारांश

ExDBSCAN एक नया टूल है जो घनत्व-आधारित क्लस्टरिंग (density-based clustering) के रहस्यमय परिणामों को स्पष्ट और कार्रवाई योग्य सलाह में बदल देता है। स्प्रिंग्स (बदलावों को छोटा रखने के लिए) और प्रतिक्षेपित चुंबकों (सुझावों को विविध रखने के लिए) के मिश्रण का उपयोग करके, यह आपको बताता है कि किसी डेटा पॉइंट को "शोर" (noise) से "समूह" में, या एक समूह से दूसरे में जाने के लिए आपको क्या छोटे कदम उठाने की आवश्यकता है, जबकि यह डेटा के जटिल आकार का भी सम्मान करता है।

तकनीकी सारांश: ExDBSCAN – काउंटरफैक्चुअल रीजनिंग के साथ DBSCAN की व्याख्या

समस्या विवरण (Problem Statement)

क्लस्टरिंग एक मौलिक अनसुपरवाइज्ड लर्निंग तकनीक है, फिर भी यह सुपरवाइज्ड लर्निंग की तुलना में एक महत्वपूर्ण व्याख्यात्मकता अंतराल (interpretability gap) से ग्रस्त है। जबकि काउंटरफैक्टुअल स्पष्टीकरण (CEs) भविष्यवाणियों को बदलने वाले न्यूनतम इनपुट परिवर्तनों की पहचान करके सुपरवाइज्ड मॉडल को समझाने के लिए एक मानक बन गए हैं, वे क्लस्टरिंग पर सीधे लागू नहीं होते हैं। यह अंतराल DBSCAN (Density-Based Spatial Clustering of Applications with Noise) के लिए विशेष रूप से गंभीर है, जो मनमाने आकार के क्लस्टर्स को खोजने और शोर (noise) की पहचान करने में सक्षम एक लोकप्रिय एल्गोरिदम है।

DBSCAN $\varepsilon$ और $minPts$ द्वारा परिभाषित डेंसिटी-रीचेबिलिटी (density-reachability) के आधार पर बिंदुओं को कोर (core), बॉर्डर (border), या नॉइज़ (noise) के रूप में असाइन करता है। हालाँकि, यह इस बारे में कोई अंतर्दृष्टि प्रदान नहीं करता कि किसी विशिष्ट बिंदु को उसका असाइनमेंट क्यों मिला या क्या उसका असाइनमेंट छोटे डेटा परिवर्तनों के प्रति सुदृढ़ है। मौजूदा CE विधियाँ DBSCAN पर लागू होने पर तीन प्राथमिक बाधाओं का सामना करती हैं:

डिफरेंशिएबिलिटी का अभाव (Lack of Differentiability): DBSCAN एक डिफरेंशिएबल लॉस फंक्शन का उपयोग नहीं करता है, जिससे सामान्य CE जनरेशन में उपयोग किए जाने वाले ग्रेडिएंट-आधारित खोज तरीकों का उपयोग करना असंभव हो जाता है।
संभावनाओं (Probabilities) की अनुपस्थिति: वर्गीकरण (classification) मॉडलों के विपरीत, DBSCAN निरंतर क्लास प्रोबेबिलिटीज के बजाय डिस्क्रीट, कनेक्टिविटी-आधारित मेंबरशिप प्रदान करता है, जिस पर कई मॉडल-एग्नोस्टिक CE विधियाँ निर्भर करती हैं।
जटिल समानता संरचना (Complex Similarity Structure): DBSCAN की डेंसिटी-कनेक्टिविटी का अर्थ है कि दो बिंदु यूक्लिडियन स्पेस में करीब हो सकते हैं लेकिन क्लस्टर मेंबरशिप के संदर्भ में प्रभावी रूप से दूर हो सकते हैं (जिसके लिए एक लंबे डेंसिटी-कनेक्टेड पथ की आवश्यकता होती)। अन्य CE विधियों द्वारा उपयोग किए जाने वाले मानक यूक्लिडियन दूरी मेट्रिक्स इस संरचना को पकड़ने में विफल रहते हैं, जिससे संभावित रूप से अनावश्यक या अमान्य काउंटरफैक्टुअल्स उत्पन्न होते हैं।

कार्यप्रणाली: ExDBSCAN (Methodology: ExDBSCAN)

लेखक ExDBSCAN का प्रस्ताव करते हैं, जो विशेष रूप से DBSCAN के लिए तैयार किया गया पहला पोस्ट-हॉक स्पष्टीकरण तरीका है। यह वैलिडिटी (validity) के सैद्धांतिक गारंटियों के साथ शोर-से-क्लस्टर (noise-to-cluster) और क्लस्टर-से-क्लस्टर (cluster-to-cluster) ट्रांज़िशन के लिए क्रियाशील काउंटरफैक्टुअल्स उत्पन्न करता है।

मुख्य घटक (Core Components)

ग्राफ-आधारित समानता प्रतिनिधित्व (Graph-Based Similarity Representation):
यूक्लिडियन दूरी पर निर्भर रहने के बजाय, ExDBSCAN क्लस्टर संरचना को एक अनडिरेक्टेड वेटेड ग्राफ $G(V, E)$ के रूप में मॉडल करता है।
- वर्टिस (Vertices - $V$ ): एक क्लस्टर के कोर पॉइंट्स का प्रतिनिधित्व करते हैं।
- एजेस (Edges): दो वर्टिस को तब जोड़ते हैं जब वे सीधे डेंसिटी-रीचेबल (दूरी $< \varepsilon$ ) होते हैं।
- वेट्स (Weights): जुड़े हुए कोर पॉइंट्स के बीच की यूक्लिडियन दूरी।
- डिस्टेंस मेट्रिक (Distance Metric): किसी भी दो बिंदुओं के बीच की दूरी $G$ में वेटेड शॉर्टेस्ट पाथ (weighted shortest path) द्वारा परिभाषित की जाती है। यह सुनिश्चित करता है कि "निकटता" क्लस्टर की डेंसिटी-कनेक्टिविटी संरचना का सम्मान करती है।
फिजिक्स-प्रेरित अनुकूलन (Physics-Inspired Optimization):
$k$ विविध और समीपवर्ती काउंटरफैक्टुअल्स के सेट को उत्पन्न करने के लिए, ExDBSCAN संदर्भ कोर पॉइंट्स के चयन को एक भौतिक ऊर्जा न्यूनीकरण (energy minimization) समस्या के रूप में मॉडल करता है। सिस्टम उम्मीदवार कोर पॉइंट्स को दो बलों के अधीन चार्ज कणों के रूप में मानता है:
- विकर्षण (Repulsion - Diversity): कूलम्ब के नियम (Coulomb's law) से प्रेरित, उम्मीदवार कोर पॉइंट्स एक दूसरे को प्रतिकर्षित करते हैं। प्रतिकर्षण बल उनके बीच के वेटेड शॉर्टेस्ट-पाथ डिस्टेंस के व्युत्क्रमानुपाती होता है। यह सुनिश्चित करता है कि चयनित काउंटरफैक्टुअल्स क्लस्टर की डेंसिटी संरचना में फैले हुए हों, जिससे रेडंडेंसी से बचा जा सके।
- आकर्षण (Attraction - Proximity): हुक के नियम (Hooke's law - स्प्रिंग फोर्सेस) द्वारा मॉडल किया गया, उम्मीदवार कोर पॉइंट्स मूल इंस्टेंस $p$ की ओर आकर्षित होते हैं। बल दूरी के साथ रैखिक रूप से बढ़ता है, जो चयन को निकटतम वैध कोर पॉइंट्स की ओर झुकाता है।
चयनित कोर पॉइंट्स $C'$ के कुल ऊर्जा $E_{C'}$ को इस प्रकार परिभाषित किया गया है:
$E_{C'} = \sum_{V_i \in C'} \sum_{V_j \in C': j > i} \frac{1}{D(V_i, V_j)} + \sum_{V_i \in C'} d^2(p, V_i)$
जहाँ $D$ वेटेड ग्राफ डिस्टेंस है और $d$ मूल बिंदु से यूक्लिडियन दूरी है।
अनुकूलन और निर्माण (Optimization and Construction):
- NP-Hardness: इस ऊर्जा को कम करने के लिए कोर पॉइंट्स के इष्टतम सेट को खोजना NP-hard सिद्ध हुआ है। ExDBSCAN समाधान को अनुमानित करने के लिए एक ग्रीडी एल्गोरिदम (greedy algorithm) का उपयोग करता है। यह पुनरावृत्ति (iteratively) के माध्यम से उस कोर पॉइंट को चुनता है जो वर्तमान में चयनित सेट के सापेक्ष कुल सिस्टम ऊर्जा को कम करता है।
- काउंटरफैक्टुअल जनरेशन: एक बार संदर्भ कोर पॉइंट्स का सेट चुने जाने के बाद, अंतिम काउंटरफैक्टुअल्स को इन कोर के $\varepsilon$ -नेबरहुड के भीतर बनाया जाता है। विशेष रूप से, एक काउंटरफैक्टुअल $p'$ को मूल बिंदु $p$ की दिशा में संदर्भ कोर $q$ से $\varepsilon$ दूरी पर रखा जाता है।
- वैलिडिटी गारंटी (Validity Guarantee): निर्माण के माध्यम से, प्रत्येक उत्पन्न काउंटरफैक्टुअल लक्षित क्लस्टर के एक कोर पॉइंट के $\varepsilon$ के भीतर होता है, जो यह सुनिश्चित करता है कि यह DBSCAN के डेंसिटी-कनेक्टिविटी मानदंडों को पूरा करता है और लक्षित क्लस्टर का एक वैध सदस्य है।
बाधाओं को संभालना (Handling Constraints):
विधि गैर-क्रियाशील विशेषताओं (जैसे आयु, लिंग) को ध्यान में रखते हुए गैर-क्रियाशील फीचर्स के लिए सर्च स्पेस को प्रतिबंधित करती है। यह उन कोर पॉइंट्स को फ़िल्टर करती है जिनके $\varepsilon$ -नेबरहुड्स को गैर-क्रियाशील गुणों को संशोधित किए बिना पहुँचा जा सकता है, जिससे स्पष्टीकरण यथार्थवादी बने रहें।

मुख्य योगदान (Key Contributions)

प्रथम DBSCAN-विशिष्ट CE विधि: ExDBSCAN विशेष रूप से डेंसिटी-आधारित क्लस्टरिंग के लिए काउंटरफैक्टुअल स्पष्टीकरण उत्पन्न करने वाला पहला तरीका है, जो शोर-से-क्लस्टर और क्लस्टर-से-क्लस्टर ट्रांज़िशन दोनों को कवर करता है।
नया फिजिक्स-प्रेरित मॉडल: लेखक एक मॉडल पेश करते हैं जो इलेक्ट्रोस्टैटिक रिपल्शन और स्प्रिंग-जैसे आकर्षण का उपयोग करके निकटता और विविधता को संतुलित करता है, जो स्पष्ट रूप से वेटेड ग्राफ के माध्यम से DBSCAN की डेंसिटी-कनेक्टिविटी संरचना को ध्यान में रखता है।
सैद्धांतिक वैधता: विधि एक सैद्धांतिक गारंटी (Theorem 3.1) प्रदान करती है कि प्रत्येक उत्पन्न काउंटरफैक्टुअल DBSCAN के असाइनमेंट नियमों के तहत वैध है।
अनुभवजन्य श्रेष्ठता (Empirical Superiority): 30 टैबुलर डेटासेट्स पर व्यापक मूल्यांकन से पता चलता है कि ExDBSCAN वैधता, निकटता और विविधता में मौजूदा बेसलाइन (जिसमें BayCon, DiCE और Growing Spheres जैसे मॉडल-एग्नोस्टिक तरीके शामिल हैं) से बेहतर प्रदर्शन करता है।

प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने 7 बेसलाइन्स (DiCE, BayCon, Growing Spheres और रैंडम वेरिएंट सहित) के विरुद्ध 30 OpenML टैबुलर डेटासेट्स पर ExDBSCAN का मूल्यांकन किया।

वैलिडिटी (Validity): ExDBSCAN ने सभी क्वेरीज़ में 100% वैलिडिटी प्राप्त की। इसके विपरीत, सरोगेट-आधारित विधियाँ (DiCE-Surrogate, GS-Surrogate) और मॉडल-एग्नोस्टिक विधियाँ (BayCon) संघर्ष करती रहीं, जो अक्सर 50% से कम वैलिडिटी दर प्राप्त करती हैं। यह उनके निरंतर अनुकूलन उद्देश्यों और DBSCAN के डिस्क्रीट, डेंसिटी-आधारित असाइनमेंट के बीच बेमेल होने के कारण है।
निकटता (Proximity): उच्च वैधता प्राप्त करने वाली विधियों में से, ExDBSCAN ने प्रतिस्पर्धियों की तुलना में मूल इंस्टेंस के काफी करीब काउंटरफैक्टुअल्स बनाए। यह ग्राफ-आधारित दूरी का उपयोग करके स्प्रिंग-लाइक आकर्षण टर्म के स्पष्ट अनुकूलन के कारण है।
विविधता (Diversity): ExDBSदान ने उच्चतम विविधता स्कोर प्राप्त किया। क्लस्टर ग्राफ के भीतर वेटेड शॉर्टेस्ट-पाथ डिस्टेंस पर आधारित इसके रिपल्शन मैकेनिज्म ने यह सुनिश्चित किया कि चयनित काउंटरफैक्टुअल्स क्लस्टर की टोपोलॉजी के भीतर अलग-अलग विकल्पों का प्रतिनिधित्व करते हैं, न कि केवल यूक्लिडियन स्पेस में करीब।
रनटाइम (Runtime): हालांकि ExDBSCAN एक साधारण रैंडम ह्यूरिस्टिक की तुलना में अधिक गणनात्मक रूप से गहन है, यह DiCE और BayCan द्वारा आवश्यक भारी अनुकूलन की तुलना में आम तौर पर तेज़ है, विशेष रूप से जब वे विधियाँ वैध काउंटरफैक्टुअल्स खोजने में विफल रहती हैं।

महत्व और दावे (Significance and Claims)

यह पेपर ExDBSCAN को अनसुपरवाइज्ड लर्निंग में व्याख्यात्मकता अंतराल को पाटने की दिशा में एक महत्वपूर्ण कदम के रूप में प्रस्तुत करता है। लेखक दावा करते हैं कि DBSCAN की विशिष्ट मैकेनिक्स के अनुरूप काउंटरफैक्टुअल रीजनिंग का लाभ उठाकर, अभ्यासी (practitioners) निम्नलिखित प्राप्त कर सकते हैं:

क्रियाशील अंतर्दृष्टि (Actionable Insights): यह समझना कि कौन से फीचर्स किसी बिंदु के क्लस्टर असाइनमेंट या उसके शोर (noise) की स्थिति को संचालित करते हैं।
मजबूती की जाँच (Robustness Checks): यह आकलन करना कि क्या क्लस्टर असाइनमेंट स्थिर हैं या छोटे बदलावों के प्रति संवेदनशील हैं।
विश्वास और पारदर्शिता (Trust and Transparency): ऐसे "क्या-अगर" परिदृश्य प्रदान करना जो डेटा की वास्तविक डेंसिटी-आधारित संरचना को दर्शाते हैं, न कि सरोगेट मॉडल द्वारा बनाई गई कृत्रिम सीमाओं को।

लेखक विनम्रतापूर्वक नोट करते हैं कि हालांकि एक औपचारिक उपयोगकर्ता अध्ययन इस कार्य के दायरे से बाहर है, यह विधि क्लस्टर असाइनमेंट को कैसे बदला जा सकता है, इसके ठोस, सैद्धांतिक रूप से आधारित उदाहरण प्रदान करती है। वे सुझाव देते हैं कि भविष्य के कार्य ExDBSCAN को वृद्धिशील (incremental) या स्ट्रीमिंग परिदृश्यों तक विस्तारित कर सकते हैं और वर्तमान ग्रीडी एप्रोक्सिमेशन से परे अधिक परिष्कृत अनुकूलन रणनीतियों का पता लगा सकते हैं।