Nov, 2015

无监督深度嵌入聚类分析

HTML
PDF
TL;DR本文提出了一种同时学习特征表示和聚类分配的深度神经网络方法——深度嵌入聚类（DEC），该方法可将数据空间映射到低维特征空间，并在此优化聚类目标函数，实验结果表明，DEC在图像和文本语料库方面的表现显著超过现有的最先进方法。
发现论文，激发创造
  • 基于卷积自编码嵌入和相对熵最小化的深度聚类

    该研究提出了一种名为DEPICT的新型深度嵌入式正则化聚类模型，该模型使用多层卷积自编码器和多项式 logistic 回归函数，通过相对熵最小化方法实现效率和精确性高效的数据映射和聚类分配，可以在无标签数据进行超参数调整的真实世界聚类任务中发挥其优越性和更快的运行时间。

    Apr, 2017

  • 深度学习聚类：分类与新方法

    本文提出了基于深度神经网络的系统聚类方法及分类法，并通过案例研究证明该分类法可用于创造新的聚类方法以克服其个别限制，而实验结果表明该方法能够达到甚至超过现有最高的聚类质量。

    Jan, 2018

  • Deep k-Means: $k$-Means和学习表示同时进行的聚类方法

    本文研究了联合聚类和学习表示问题，提出了一种在 $k$-Means 聚类中基于目标函数连续重新参数化的方法，该方法在多个数据集上经过测试证明其在聚类对象的同时学习表示方面的有效性。

    Jun, 2018

  • 可微分的深度聚类+聚类大小限制

    通过将 $k$-means聚类算法重写为最优传输任务，并加入熵正则化，我们提出了一种全新的方法，其中嵌入是由深度神经网络执行的，表明与现有的基于软 $k$-means的最新方法相比，我们的最优传输方法提供更好的无监督准确度，不需要预训练阶段。

    Oct, 2019

  • 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

  • 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

  • 网络感知嵌入的无监督学习

    通过估计数值节点属性之间的网络距离，我们可以创建网络感知嵌入，而不是对网络的节点进行聚类。在本文中，我们修复了无监督学习文献中的这个盲点，并展示了我们的方法在各种领域的应用中始终是有益的，并且可以提供可操作的见解。

    Sep, 2023

  • 由样本稳定性驱动的深度嵌入聚类

    通过样本稳定性驱动的深度嵌入聚类(DECS)算法，消除了对伪目标的需求，并在五个数据集上展示了超越现有聚类方法的优越性能。

    Jan, 2024

  • 深度聚类综述：从先验角度

    基于神经网络的深度聚类在分析高维复杂现实世界数据方面取得了巨大成功，然而现有工作往往忽视了深度聚类中先验知识的融合和利用，本文通过对各种先验知识进行分类，提供了全面的深度聚类方法综述，并提供了五个广泛使用的数据集的基准测试和方法性能分析，希望能够为深度聚类研究提供一些新的见解和启发。

    Jun, 2024

  • 你需要的只是消亡聚类——具有未知数量聚类的深度聚类

    本研究针对深度聚类中用户需提前指定聚类数量的局限性，提出了一种名为UNSEEN的通用框架，能够从一个给定的上限中估计聚类数量。通过与多个流行的深度聚类算法结合，实验证明了该方法的有效性，具有良好的适应性和广泛的应用潜力。

    Oct, 2024