Oct, 2018

深度聚类：判别模型与K-means之间的联系

HTML
PDF
TL;DR本研究表明，最近的一些判别模型等价于K-means，并且证明对于常用的逻辑回归后验概率，通过交替方向方法最大化L2正则化的互信息等价于软化和正则化的K-means损失。这一理论分析不仅将最近的一些判别模型直接联系到了K-means，并且提出了一种新的软化和正则化的深度K-means算法，在几个图像聚类基准测试中表现出色。
发现论文，激发创造
  • 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

  • 朝向适合K均值算法的空间：同时进行深度学习与聚类

    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

  • 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

  • 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

  • 深层判别聚类分析

    本文提出一种利用深度神经网络来建模聚类任务中数据间关系从而提高聚类效果的算法，名称为Deep Discriminative Clustering(DDC)。DDC采用全局和局部约束对关系进行调整，通过迭代式训练得到高水平的表征，并将其作为聚类中心进行直接聚类。实验证明，DDC在图像、文本和音频数据集上表现出比当前方法更佳的聚类效果。

    May, 2019

  • 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

  • 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

  • 超越ImageNet-1K的深度聚类方法的扩展

    在大规模基准数据集上，探索了基于特征的深度聚类方法的性能表现，并分析了数据相关因素对其影响，包括类别不平衡、类别粒度、易于识别的类别和捕获多类别的能力。通过基于ImageNet21K的多个新基准评估实验，发现基于特征的$k$-means在平衡数据集上评估不公平，而深度聚类方法在大多数大规模基准数据集上表现优于$k$-means。有趣的是，$k$-means在易于分类的基准上表现不佳，但在最高数据规模（如ImageNet21K）上的性能差距减小。最后，发现非主要聚类预测能够捕获有意义的类别（即更粗略的类别）。

    Jun, 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