DeepDPM:未知聚类数的深度聚类

Mar, 2022

DeepDPM: Deep Clustering With an Unknown Number of Clusters

Meitar Ronen, Shahaf E. Finder, Oren Freifeld

TL;DR本文介绍了一种有效的深度聚类方法，该方法使用了分裂/合并框架、动态体系结构自适应于不断变化的聚簇数量K，并且不需要预先指定K值。论文证明了这种无需预先指定簇数的非参数方法在ImageNet等数据集上，超越了现有的基于深度学习和传统的非参数聚类方法，并展示了在数据集不平衡时，预先指定K值的方法的性能下降。

Abstract

deep learning (DL) has shown great promise in the unsupervised task of clustering. That said, while in classical (i.e., non-deep) clustering the benefits of the nonparametric approach are well known, most deep-clustering methods are parametric: namely, they require a predefined and fix

发现论文，激发创造

非参数聚类的深度学习

本研究提出了一种使用深度学习进行无监督非参数聚类的方法，首先利用深度学习进行特征表示和降维，然后在最大边际框架下进行非参数聚类，最后在深信念网络中优化模型参数。实验结果表明我们的方法优于现有竞争方法。

Jan, 2015

深度学习聚类：分类与新方法

本文提出了基于深度神经网络的系统聚类方法及分类法，并通过案例研究证明该分类法可用于创造新的聚类方法以克服其个别限制，而实验结果表明该方法能够达到甚至超过现有最高的聚类质量。

Jan, 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

深层判别聚类分析

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

多模态深度聚类：图像的无监督分区

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

Deep Neural Networks 中多层集合增强的图像聚类 DeepCluE

本文提出了一种名为 DeepCluE 的方法，它通过利用深度神经网络中的多层特征表示来增强深度聚类性能。该方法利用了无监督学习的实例级对比学习和聚类级对比学习，生成多组基本聚类，通过基于熵准则的可靠性估计，将这些聚类形成加权聚簇的双分图，利用转移割划分该双分图得到最终的图像聚类结果。实验结果表明，相对于先前的深度聚类方法，DeepCluE方法具有明显的优势。

Jun, 2022

深度聚类综述：分类，挑战和未来方向

本文综述了深度聚类的最新研究进展、方法分类和实验设置，讨论了深度聚类的应用和未来方向。

Jun, 2022

快照谱聚类——一种生成深度聚类集合的零成本方法

本文探讨了如何通过使用深度学习技术和多视图融合的集成学习方法来改善聚类结果，提出了一种新的快照谱聚类集成方法（Snapshot Spectral Clustering），实验结果表明该方法有效地提高了聚类性能和减少了计算成本。

Jul, 2023

深度聚类综述：从先验角度

基于神经网络的深度聚类在分析高维复杂现实世界数据方面取得了巨大成功，然而现有工作往往忽视了深度聚类中先验知识的融合和利用，本文通过对各种先验知识进行分类，提供了全面的深度聚类方法综述，并提供了五个广泛使用的数据集的基准测试和方法性能分析，希望能够为深度聚类研究提供一些新的见解和启发。

Jun, 2024

你需要的只是消亡聚类——具有未知数量聚类的深度聚类

本研究针对深度聚类中用户需提前指定聚类数量的局限性，提出了一种名为UNSEEN的通用框架，能够从一个给定的上限中估计聚类数量。通过与多个流行的深度聚类算法结合，实验证明了该方法的有效性，具有良好的适应性和广泛的应用潜力。

Oct, 2024