多生成器 GAN 的自上而下深度聚类
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
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
本研究提出了一种基于信息生成对抗网络和对比学习的无监督细粒度图像聚类方法,旨在学习特征表示,促进数据集在嵌入空间中形成明显的聚类边界,同时最大化潜在编码与图像观测之间的互信息。实验结果表明,该方法在四个细粒度图像数据集上实现了最先进的聚类性能,同时缓解了模式崩溃现象。
Dec, 2021
该论文提出了一种结构深度聚类网络(SDCN)方法,它将图卷积网络(GCN)的结构信息整合到深度聚类中,通过自监督学习机制使两种不同的深度神经网络架构统一并指导整个模型更新,进而提高聚类的准确性。
Feb, 2020
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
本研究提出了 ClusterGAN 作为使用 GAN 进行聚类的新机制,通过从一热编码变量和连续变量的混合中采样潜变量,再结合一个特定于聚类的损失函数,与一个将数据投影到潜空间的逆网络共同训练,我们能够在潜空间中进行聚类。结果表明,GAN 可以保留类别之间的潜空间插值,即使鉴别器从未接触过这些向量,并且在合成和真实数据集上,我们的结果比各种聚类基线表现更好。
Sep, 2018
本研究提出了一种基于将图像转换为一组点云的独特图像生成过程,利用名为上下文聚类(Context Clustering)的简单聚类方法和多层感知器(MLP)作为生成模型,无需使用卷积或注意机制,并通过集成称为 Point Increaser 的模块来生成额外的聚类点,最终实现了在特征聚合和分发领域中独特的 Context Clustering Generative Adversarial Network(CoC-GAN)模型的视角。实证评估表明,我们的 CoC-GAN 模型在没有卷积和注意机制的情况下展现出了优秀的性能和可解释性,取得了令人满意的结果,从而为将上下文聚类应用于更多新颖和可解释的图像生成方法的未来研究奠定了基础。
Aug, 2023
提出了一种无监督聚类框架,使用深度神经网络进行端到端的学习,从而直接对图像进行聚类分配,同时通过自我监督任务来获得更有意义的图像特征表示,实验结果表明,该方法在六个具有挑战性的基准测试中取得了优异的成果。
Dec, 2019
本论文考虑基于有噪声的数据子集对聚类问题进行半监督学习,提出一种新的深度生成模型和统计关系模型相结合的方法,并采用贝叶斯推断策略,采用快速(自然梯度)随机变分推断算法进行推断,实验结果显示该方法优于以往的基于众包的聚类方法。
Oct, 2018
本文提出了一种基于锚图、伪标签和对比学习的深度多视图子空间聚类方法,通过独立学习每个视图的特征并在集成锚图上执行谱聚类来解决现有方法存在的问题,实验结果表明其在真实世界数据集上具有优越的聚类性能。
May, 2023