Jan, 2015

非参数聚类的深度学习

PDF
TL;DR本研究提出了一种使用深度学习进行无监督非参数聚类的方法，首先利用深度学习进行特征表示和降维，然后在最大边际框架下进行非参数聚类，最后在深信念网络中优化模型参数。实验结果表明我们的方法优于现有竞争方法。
clusteringdeep learningunsupervisednonparametricdimension reduction
发现论文，激发创造
  • DeepDPM: 未知聚类数的深度聚类

    本文介绍了一种有效的深度聚类方法，该方法使用了分裂 / 合并框架、动态体系结构自适应于不断变化的聚簇数量 K，并且不需要预先指定 K 值。论文证明了这种无需预先指定簇数的非参数方法在 ImageNet 等数据集上，超越了现有的基于深度学习和传统的非参数聚类方法，并展示了在数据集不平衡时，预先指定 K 值的方法的性能下降。

    Mar, 2022

  • 非参数样例级别判别的无监督特征学习

    通过非监督学习方法学习新的特征表示方法，有效地捕捉图像实例之间的相似性，并在 ImageNet 分类中取得了卓越的表现。

    May, 2018

  • 深度聚类用于视觉特征无监督学习

    本文介绍了 DeepCluster，一种聚类方法，它能够联合学习神经网络的参数和聚类分配，并应用于卷积神经网络在大型数据集上的无监督训练，取得了显著的性能提升。

    Jul, 2018

  • 具体 K-means 深度聚类

    本研究旨在探讨从未标记数据中同时学习 K-means 聚类和深度特征表示的问题，通过 Gumbel-Softmax 重参数化技巧的梯度估计器解决了原问题，并通过标准聚类基准测试证明了方法的有效性。

    Oct, 2019

  • 深度表示学习的无监督图像分类

    本研究提出了一种无监督图像分类框架，旨在通过不使用嵌入聚类来简化和优化深度聚类算法，并在 ImageNet 数据集上进行了实验。同时验证了其在多标签图像分类，目标检测，语义分割等任务的泛化性，以及其在迁移学习中的有效性。

    Jun, 2020

  • 卷积聚类用于无监督学习

    本文介绍了一种基于增强版 k-means 聚类算法的深度卷积神经网络，该算法通过无监督学习技术利用分层特征来减少相关参数的数量，从而提高了测试分类精度。作者进一步展示了学习深度卷积神经网络各层之间的连接能够提高网络在少量标记数据上的训练能力，最终在 STL-10 数据集上获得 74.1% 的测试准确率以及在 MNIST 数据集上仅有 0.5% 的测试误差。

    Nov, 2015

  • 基于深度分歧的聚类方法

    我们提出了一种新的深度聚类网络，利用信息理论差异度量的鉴别能力，提出了一种新颖的损失函数，避免了聚类分区的退化结构。

    Feb, 2019

  • 深度聚类综述：分类，挑战和未来方向

    本文综述了深度聚类的最新研究进展、方法分类和实验设置，讨论了深度聚类的应用和未来方向。

    Jun, 2022

  • 使用软轮廓得分的深度聚类：紧凑且互相独立的聚类

    这篇论文介绍了一种基于深度聚类的无监督学习方法，通过优化 soft silhouette 目标函数，引导学习到的表示形成紧凑且分离良好的聚类解决方案，使用了自编码器构建的深度学习结构，对多个基准数据集进行了实验，并获得了令人满意的聚类结果。

    Feb, 2024

  • 一种概率约束聚类方法用于迁移学习和图像类别发现

    本研究提出了一种针对深度网络和大量类别进行优化的聚类目标函数，通过对成对约束条件的负对数似然最小化来优化聚类分配，具有优秀的可扩展性和性能。

    Jun, 2018