本研究提出优化自动编码器的磨损和判别力对数的预训练阶段,以获得更高的聚类准确性和更快的收敛速度。
May, 2018
本文提出了一种利用深度神经网络实现联合降维和 K-means 聚类的方法,通过学习非线性函数的深度神经网络,以期获得更好的聚类和降维效果。
Oct, 2016
本文提出了一种基于深度自编码器的无监督子空间聚类新颖深度神经网络架构,其中引入了一种自相似层,以模拟传统子空间聚类方法中的 “自相似” 属性。该方法能够在非线性方式下对具有复杂结构的数据点进行聚类,并且在实验中表现出优于现有方法的性能。
Sep, 2017
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
本文提出了一种新的无监督聚类方法,使用自编码器混合模型来识别和分离数据中的低维非线性流形,并通过神经网络同时学习每个聚类簇的潜在流形结构。
Dec, 2017
这篇论文提出了一种基于深度自编码器混合聚类(DAMIC)算法,该算法通过聚类网络将数据转化到另一个空间,并且提出了一种集合自编码器来表示每一个聚类,同时聚类算法共同学习非线性数据表述和集合自编码器,通过最小化混合自编码器网络的重构损失,找到最优的聚类,实验结果显示该方法在图像和文本上均优于现有技术。
Dec, 2018
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
本文提出了一种联合学习框架,通过使用双自编码器网络将输入嵌入到潜在空间中,利用相互信息估计从输入中提供更具区分性的信息,并应用深度谱聚类方法将潜在表示嵌入到特征空间中并聚类,证明该方法在基准数据集上显著优于现有的聚类方法。
Apr, 2019
使用成对相似度的自监督方法提出了一种新颖的深度聚类框架(DCSS),通过形成类似于高维球的相似数据点的群体,并在聚类特定损失下训练自编码器,在自编码器的潜空间中形成超球体,使用自编码器第一阶段得到的潜空间作为第二阶段的输入,通过成对相似度方法在 K 维空间中进行聚类,实验结果表明两个阶段的有效性。
May, 2024
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。
Nov, 2015