ACLMar, 2021

用对比学习支持聚类

PDF
TL;DR该论文提出了 SCCL 框架，使用对比学习来帮助无监督聚类，有效提升类别间距离，进而在短文本聚类中达到更好的结果。研究表明，SCCL 能够显著提高精度和归一化互信息，同时有效结合自下而上的实例判别和自上而下的聚类来实现更好的聚类效果。
unsupervised clusteringsupporting clusteringcontrastive learningshort text clusteringinstance discrimination
发现论文，激发创造
  • 语义对比学习的深度聚类

    本文提出了一种语义对比学习的方法（SCL），将距离的聚类结构引入到无标注数据的特征空间中，并通过优化实例视觉相似性和聚类决策边界的一致性来推理出语义上的实体类别，以在发现未知类别决策边界方面具有显着优势。实验证明，SCL 在六个物体识别基准测试中优于最先进的对比学习和深度聚类方法，尤其是在更具挑战性的精细和较大的数据集上。

    Mar, 2021

  • 基于对比表示学习的聚类分配

    本文提出了一种基于对比学习的聚类方法，通过对表示进行分解，并使用分别编码不同信息的部分构建对比损失函数，可以高效地学习聚类结果。实验结果表明，该方法在多个标准数据集上取得了最新的甚至高居领先的聚类性能，尤其在 ImageNet 数据集上的准确率达到了 53.4％，并且优于现有方法。

    Jun, 2023

  • 使用监督对比学习学习标签层次

    我们介绍了一种 Label-Aware SCL 方法，通过利用类别之间的相似性，将层次信息融入到 SCL 中，从而创建一个更结构化和具有辨别性的特征空间，实现了更好的文本分类性能。

    Jan, 2024

  • 基于聚类的对比学习，以提高人脸表征

    本文提出了一种名为 CCL 的基于聚类的对比学习方法，利用聚类得到的标签和视频约束来学习具有区分性的人脸特征，展示了该方法在视频人脸聚类的表征学习任务上的显著成果。

    Apr, 2020

  • 图形对比聚类

    本研究提出一种新的基于图的对比学习框架 ——Graph Contrastive Clustering（GCC），用于聚类任务，并利用该框架在六个常用数据集上进行了实验。实验结果表明，该方法在聚类问题上明显优于现有的最先进方法。

    Apr, 2021

  • 对比聚类

    本文提出一种名为对比聚类 (Contrastive Clustering,CC) 的在线聚类方法，该方法实现了实例级和簇级对比学习，通过最大化正样本对的相似度和最小化负样本对的相似度，在特征空间中分别进行行级和列级的对比学习，同时优化实例级和簇级对比损失，在端到端的方式下联合学习表示和簇分配。实验结果表明，CC 在六项具有挑战性的图像基准任务中显着优于 17 种竞争对手的聚类方法，特别是在 CIFAR-10 和 CIFAR-100 数据集上，CC 的 NMI 分别为 0.705 和 0.431，相较于最佳基线提高了多达 19% 和 39%。

    Sep, 2020

  • 你永远不会独自聚类

    本文提出一种名为双对比聚类 (TCC) 的方法，它将主流对比学习的范式扩展到聚类级别，使用分配变量连接实例级学习轨迹与聚类级别的学习，实现一个统一的表示形式。通过加权汇聚数据点实现群集的集合表示，并在群集级别上进行对比学习。实验证明，TCC 在挑战性基准上的表现优于现有技术。

    Jun, 2021

  • 具备理论保证的强健对比学习

    通过开发严密的理论来剖析和确定无监督损失中能够帮助改善鲁棒监督损失的成分，并进行适当实验证实我们的发现。

    Nov, 2023

  • 基于聚类和对比的三维点云无监督学习

    本文提出了一种名为 ConClu 的通用无监督方法，它通过联合使用点级聚类和实例级对比来实现点和全局特征的学习。实验评估结果表明，该框架在 3D 物体分类和语义分割等下游应用方面具有很好的性能，可以胜过现有技术。

    Feb, 2022

  • 推荐的监督对比学习

    这篇论文提出一种名为 SCL 的学习范式，支持图卷积神经网络，同时加入了数据预处理过程中节点之间的相似度计算和节点复制的数据增强方法，经实验证明可以提高推荐准确度和抗干扰能力。

    Jan, 2022