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
本文是关于深度图聚类的首个全面综述,首先介绍了深度图聚类的定义和基准方法,然后提出基于四种不同标准的深度图聚类方法的分类学。此外,通过对现有工作的仔细分析,总结了来自五个方面的挑战和机遇。最后,介绍了深度图聚类在四个主要领域中的应用,并提供了 GitHub 上的深度图聚类方法的最新文献和数据集。
Nov, 2022
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
本篇综述了目前深度图表示学习算法的最新研究进展,提出了现有技术的新分类法,并探讨了深度图表示学习的实际应用、前景及挑战方向。
Apr, 2023
本文介绍了 DeepCluster,一种聚类方法,它能够联合学习神经网络的参数和聚类分配,并应用于卷积神经网络在大型数据集上的无监督训练,取得了显著的性能提升。
Jul, 2018
本研究提出了一种无监督图像分类框架,旨在通过不使用嵌入聚类来简化和优化深度聚类算法,并在 ImageNet 数据集上进行了实验。同时验证了其在多标签图像分类,目标检测,语义分割等任务的泛化性,以及其在迁移学习中的有效性。
Jun, 2020
本文详细介绍了约束聚类算法的背景和各种可用约束类型的评级分类,重点研究了基于实例级对偶约束的约束聚类及应用程序和历史背景,并对 307 种约束聚类方法进行了统计分析,根据其受欢迎程度和验证质量对其进行了分类和排名评分,最后提供了潜在的陷阱和未来的研究方向。
Feb, 2023
本研究提出了一种深度整合学习框架 DECCS,该框架能够有效地学习多种异质聚类算法的共识表征,并能够显著提高聚类结果的准确性和鲁棒性。
Oct, 2022
本文对近年来深度学习在社区检测领域的最新进展进行了全面概述,提出了包括深度神经网络、深度非负矩阵分解和深度稀疏滤波在内的多种先进方法,总结了常用的基准数据集和评估指标,并讨论了社区检测在不同领域的实际应用和实现场景,并提出了未来的研究方向。
May, 2021
本文介绍了社区检测在科学研究和数据分析中的重要性, 分析了经典社区检测方法的局限性,探讨了基于深度学习的三个研究方向 —— 深度神经网络、深度图嵌入和图神经网络,总结了不同框架、模型和算法的进展和挑战,并探讨了未来研究机遇。
May, 2020