Jeder BIM-Leiter, der k-means auf eine Reihe von Nutzerbefragungen losgelassen hat, kennt das Problem: Man muss dem Algorithmus sagen, wie viele Gruppen es gibt, bevor er die Daten gesehen hat. Wähle drei, bekommst du drei. Wähle sieben, bekommst du sieben. Die Zahl war nie in den Daten; sie war in deiner Annahme.

Zwei frische arXiv-Preprints von Juni 2026 greifen genau diesen Fehler ruhig an, von entgegengesetzten Ecken der Welt. Das erste (arXiv:2606.12305, Statistics > Methodology) entwickelt ein Bayesisches nichtparametrisches Mallows-Modell zum Clustern von Ranking- und Präferenzdaten. Das zweite (arXiv:2605.31511, Statistics > Applications) nutzt das gleiche statistische Verfahren, um Patienten in Krankheitssubtypen zu sortieren — aggressive versus nicht-aggressive Krebse, zum Beispiel. Keines der Papers zitiert das andere. Der Rahmen «eine Methode, zwei Welten» stammt von mir, nicht von ihnen. Aber das gemeinsame Rückgrat ist unverkennbar.

←HEUTE: Zwei unabhängige Teams nutzen den Dirichlet-Prozess, um Daten selbst entscheiden zu lassen, wie viele Cluster es gibt — bei Filmwertungen und in Krebskohorten. →3012: Die Gebäude und Körper, die wir in Zürich-3012 modellieren, sind nie ein Typ; es ist eine Zahl, die wir entdecken, nicht erklären. Fulcrum: Die gleiche Demut — hör auf, die Gruppenzahl zu raten — macht Empfehlungssysteme und medizinische Diagnosen sicherer.

Der gemeinsame Trick: Ein Prozess, der seine Cluster selbst bildet

Beide Papers bauen auf das Dirichlet-Prozess-Mischmodell (DPMM) auf. Statt die Clusterzahl K von vornherein festzulegen, behandelt das DPMM K als etwas, das zusammen mit allem anderen geschätzt wird — eine «unendliche» Mischung, bei der nur eine endliche Zahl von Clustern am Ende besetzt ist. Das Präferenz-Paper integriert dies ins Mallows-Modell (Colin Mallows, 1957: eine Verteilung über Rankings, zentriert auf eine Konsensordnung mit Dispersionsparameter). Es ist im Open-Source-R-Paket BayesMallows enthalten — ursprünglich vom Norwegian Computing Centre — und bewältigt die unordentliche Realität von unvollständigen Rankings und paarweisen Vergleichen. Bei Filmwertungen rekonstruiert es Vorlieben zuverlässig genug, um Filme aus verworfenen Wertungen zu empfehlen. Der ehrliche Ingenieurwert: es funktioniert mit den unvollständigen Daten, die du tatsächlich hast, nicht mit der sauberen Matrix, die du dir wünschst.

Wo sich die beiden unterscheiden: MCMC versus Variationsinferen

Hier ist die wirklich nützliche Uneinigkeit. Das Präferenz-Paper bleibt beim Goldstandard — dem langsamen MCMC-Metropolis-Hastings-Sampler. Das medizinische Paper nutzt stattdessen Coordinate Ascent Variational Inference (CAVI), berichtet vergleichbare Genauigkeit bei deutlich niedrigerem Rechenaufwand — und rahmt diese Geschwindigkeit explizit als Patientensicherheitsmerkmal: Ein unter Zeitdruck stehender Arzt kann nicht auf Konvergenz warten. Das ist das gleiche Genauigkeit-versus-Latenz-Dilemma, dem jeder BIM-Datenenginer begegnet, wenn ein Bayes-Verfahren zu langsam ist, um in einem CAD-Plugin zu sitzen. Wenn der Sampler nicht in die Produktion passt, ist Variationsinferen oft der Rettungsweg, nicht ein Rückschritt.

Die Clustering-Definition selbst hat Gewicht. Eine PLOS-Medicine-Kohortenstudie zum UK Biobank (Silva und Kollegen, Université Paris Cité) fand heraus, dass zählbasierte versus clusterbasierte Definitionen von Multimorbidität zu unterschiedlichen Mortalitäts- und Prognose-Schlussfolgerungen führen. Wie du Menschen gruppierst, verändert deine Schlussfolgerungen über sie. MIT News (11. Juni 2026) fügt ein wichtiges verwandtes Ergebnis hinzu: Du kannst Präferenz-Korrelationen nicht allein aus paarweisen Vergleichen rekonstruieren — du brauchst Tripel, die «Macht der Drei». Ein nützlicher Hinweis für jeden, der Design-Review-Abstimmungen clustert.

Atelier: Bei PAZ führen wir Präferenz-Aggregation bei jedem Multi-Kriterien-Design-Review durch — Juroren ordnen Optionen, und wir geben vor, der Konsens sei sauber. Ein nichtparametrisches Mallows-Verfahren auf diese Abstimmungsdaten angewendet würde uns verraten, ob das Panel einen Geist oder drei gegensätzliche Blöcke ist, ohne dass wir die Antwort vorweg festlegen. Das ist der Unterschied zwischen einer aufgelisteten und einer ehrlichen Abstimmung.

Hack: Dieser Hack zeigt dir, wie du die Clusterzahl aus Ranking-Daten selbst hervorgehen lässt, statt sie zu raten (DOMAIN: AI/ML). Installiere das offene R-Paket und wende es auf ein kleines Präferenz-Set an — beobachte, wie viele Gruppen sich zeigen. Führe es einmal aus, bevor du K je hartcodierst.

install.packages("BayesMallows")
library(BayesMallows)
# rankings: rows = people, cols = items (1 = top choice)
fit <- compute_mallows(setup_rank_data(potato_visual))
assess_convergence(fit)        # then inspect the cluster posterior

Ein nüchterner Vorbehalt: keines der Preprints, soweit ich gelesen habe, bestätigt Autorenangaben oder quantitative Geschwindigkeitsfaktoren — überprüfe die PDFs, bevor du eine Zahl zitierst. Und beachte die regulatorische Kante: Unter dem EU-KI-Gesetz ist die medizinische Variante hochriskante klinische Entscheidungsunterstützung, daher erbt jedes «schnellere» Subtypisierungswerkzeug Konformitäts- und Transparenzverpflichtungen, bevor es bei Patienten zum Einsatz kommt.

Hier ist der Schachzug: Nächstes Mal, wenn du k-means auf Nutzerdaten, Abstimmungen oder Typologien anwendest, stopp und frag dich, ob die Clusterzahl Daten oder Dogma ist. Versuch zunächst einen DPMM-Durchgang.

Quelle: arXiv