Dec, 2018

一种基于自编码器混合的深度聚类算法

PDF
TL;DR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。
deep autoencoder mixture clusteringclustering networknonlinear data representationreconstruction lossstate-of-the-art methods
发现论文，激发创造
  • 使用自编码器混合进行深度无监督聚类

    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

  • 使用双自编码器网络的深度谱聚类

    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

  • 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

  • 深度连续聚类

    通过深度自编码器实现非线性降维和聚类，优化作为聚类过程的自编码器，避免之前聚类算法中离散目标的缺陷，无需先验知识即可进行聚类，实验证明该算法优于状态的聚类方案并具有普适性。

    Mar, 2018

  • 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

  • AugDMC：数据增强引导的深度多聚类

    本文提出了一种基于数据增强的深层多聚类方法 AugDMC，利用自我 supervised 原型学习从数据中自动提取与特定方面相关的特征，并采用稳定的优化策略以减轻不同数据增强造成的不稳定性问题，并能够获得基于数据不同方面的多重聚类结构。

    Jun, 2023

  • N2D：通过对自编码嵌入的局部流形聚类来实现（不太）深的聚类

    本研究提出了在深度非监督聚类中使用 autoencoded embedding 和 UMAP 的方法，该方法可以优于目前常见的深度聚类算法，并在多个数据集上取得了有竞争力的结果，为深度聚类提供了有前途的研究方向。

    Aug, 2019

  • 利用全卷积自编码器增强图像聚类的区分性

    引入全卷积自编码器的图像特征学习和基于全卷积自编码器和软 k 均值分数的统一聚类框架，通过采用增强式判别分布，逐步提高聚类准确度，实验结果表明，该方法在多个视觉基准数据集上达到了最先进的性能。

    Mar, 2017

  • 深度子空间聚类网络

    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

  • 深度子空间聚类的多层表示学习

    本文提出了一种利用卷积自编码器将图像转化为线性子空间并进行深度子空间聚类的新方法，通过在编码器和解码器之间插入多个线性层和一个新型的损失函数来提高模型性能。实验结果表明，该方法在多个真实数据集上均显著超越同类方法。

    Jan, 2020