深层判别聚类分析

May, 2019

Deep Discriminative Clustering Analysis

Jianlong Chang, Yiwen Guo, Lingfeng Wang, Gaofeng Meng, Shiming Xiang...

TL;DR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。

Abstract

Traditional clustering methods often perform clustering with low-level indiscriminative representations and ignore relationships between patterns, resulting in slight achievements in the era of deep learning. To handle this problem, we develop →

deep discriminative clustering relationships between patterns deep neural network high-level discriminative representations iterative training

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

对比学习实现的深度鲁棒聚类

该论文介绍了一种新的深度聚类方法 - Deep Robust Clustering (DRC)，它从两方面同时考虑了语义聚类和特征表现，从而增加了跨类别差异并同时减少了类内差异，且通过数据增强和对比损失的最小化在多项基准测试中显著提高了准确性。

Aug, 2020

深度约束聚类框架 —— 算法和新进展

这篇论文介绍了一种基于深度学习的约束聚类框架，可应用于连续数据和高层领域知识等不同类型的约束条件，相比基于传统算法的方法，效果更好。

Jan, 2019

图像聚类的深度全面相关挖掘

本论文提出了一种名为 DCCM 的新型聚类框架，可以从三个方面探索和充分利用未标记数据中的各种相关性，通过伪标签监督，全面的研究特征对输入空间的图像变换的稳健性，并将 triplet 互信息应用于聚类问题中，从而进一步有助于学习更有区分性的特征。在多个数据集上进行了广泛的实验，取得了良好的性能，例如在 CIFAR-10 上达到 62.3％的聚类准确度，比现有最先进方法高出 10.1％。

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

双解离深度多聚类

本研究提出了一种名为 DDMC 的新型双解缠绕深度多聚类方法，通过学习解缠绕表示来实现多个隐藏数据结构的独立聚类目标，并通过变分期望最大化（EM）框架进行实现，实验证明 DDMC 在七个常用任务上始终优于现有的方法。

Feb, 2024

多生成器 GAN 的自上而下深度聚类

本文提出了一种基于 GAN 的多生成器聚类方法 HC-MGAN，将其设计为自顶向下的分层聚类树，并在多个数据集上进行实验验证，发现该方法能够实现语义上有意义的聚类。

Dec, 2021

深度稀疏子空间聚类

本文提出了一种深度扩展的稀疏子空间聚类方法，称为深层稀疏子空间聚类（DSSC）。通过神经网络的非线性变换，DSSC 不仅满足了 SSC 的稀疏性原则，还同时满足了学习深度特征的单位球分布假设。实验证明 DSSC 在四个真实世界数据集上具有明显优势，是目前为止最好的基于深度学习的子空间聚类方法之一。

Sep, 2017

基于几何正则化的不完全嘈杂成对注释深度聚类

本论文通过研究深度约束聚类（DCC）的一种新的逻辑损失函数，探讨其理论性质，并提出了一种基于几何因子分析的新的损失函数来对抗噪声注释。该方法经过多个数据集的测试验证，表明即使在未知注释混淆的情况下，我们提出的学习标准下数据成员仍可被证明地识别。

May, 2023

深度聚类：判别模型与 K-means 之间的联系

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。

Oct, 2018