可微分的深度聚类 + 聚类大小限制

Oct, 2019

可微分的深度聚类 + 聚类大小限制

Differentiable Deep Clustering with Cluster Size Constraints

Aude Genevay, Gabriel Dulac-Arnold, Jean-Philippe Vert

TL;DR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。

Abstract

clustering is a fundamental unsupervised learning approach. Many clustering algorithms -- such as $k$-means -- rely on the euclidean dista

clustering unsupervised learning optimal transport deep neural network image classification

发现论文，激发创造

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

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

基于神经网络的成对约束聚类

本文介绍了一种基于神经网络的端到端聚类框架，该框架可从原始数据中推动形成聚类，且无需提前定义聚类中心，具有较好的性能且对聚类数量不敏感。

Nov, 2015

一种概率约束聚类方法用于迁移学习和图像类别发现

本研究提出了一种针对深度网络和大量类别进行优化的聚类目标函数，通过对成对约束条件的负对数似然最小化来优化聚类分配，具有优秀的可扩展性和性能。

Jun, 2018

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

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

最优传输的共聚类

通过基于熵正则化最优输运的新方法和 Gromov-Wasserstein 距离概念，实现并优化了联合聚类的算法，可以自动地确定行和列聚类的数量，并在广泛的实验评估中展示了其快速和准确的功能。

May, 2017

可转移的深度度量学习用于聚类

提出了一种学习跨多个不同领域数据集应用的传输度量的框架，在使用基于嵌入空间的指定聚类的情况下，在少量训练集和浅层网络的情况下，我们在多个变量复杂度的数据集上实现与最新技术水平相当的结果。

Feb, 2023

基于紧致潜空间聚类的半监督学习

本文介绍了一种新的成本函数来进行神经网络的半监督学习，该函数通过动态创建一个图形来捕获特征空间中的潜在结构，并使用标签传播来估计其高和低密度区域，最终利用马尔科夫链设计出一种成本函数，以形成每类一个单一的紧凑簇，同时在优化过程中避免扰乱现有的簇，该方法在三个基准测试中表现良好，将基于图形的正则化的优点与高效的归纳推理相结合，不需要修改网络架构，可以轻松应用于现有网络，实现对未标记数据的有效利用。

Jun, 2018

可扩展的 $k$ 子空间深度聚类

本文提出了一种利用深度神经网络中的子空间共同学习嵌入空间，以最小化重建误差来解决子空间聚类问题的方法，从而无需通过亲和矩阵来执行聚类，大大提高了聚类准确性并降低了内存占用。

Nov, 2018