Oct, 2018

深度聚类：判别模型与 K-means 之间的联系

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
  • 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

  • 深度判别到核生成建模

    该论文提出了一种 kernel generative networks 方法，将深度鉴别网络转换为核生成网络，实现了鉴别模型和生成模型的协同配合，探讨了在低维环境下两种模型的应用时的理论和经验表现，证明了它比对应的鉴别学习方法更有效，并可以在样本量较少时实现更优的表现，不仅可以获得更平滑的后验概率，而且可以超出训练数据的凸包范围，更好地处理 OOD 输入。

    Jan, 2022

  • 深度判别潜空间聚类

    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

  • 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

  • 生成模型的判别性正则化

    本文探讨了分类器是否可以用于提高生成模型的质量，并提出了一种使用判别分类器的表示来增强生成模型的目标函数的方法。研究表明，用这种方法增强目标函数可以产生比标准变分自编码器更清晰、视觉质量更高的样本。

    Feb, 2016

  • Fisher 判别子空间中的模型聚类与可视化

    本文介绍了一种判别潜在混合模型（DLM）和一种估计算法 Fisher-EM 算法，可用于高维数据空间中的聚类，其结果优于现有的聚类方法，可以用于质谱数据聚类

    Jan, 2011

  • 重新审视判别式与生成式分类器：理论与影响

    本篇论文关注于深度学习中基于预训练模型所进行的线性评估，提出了朴素贝叶斯作为线性评估分类器的替代方案，在多分类情况下，我们发现，相对于逻辑回归，朴素贝叶斯需要更少的样本即可接近其渐近误差。

    Feb, 2023

  • 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