对比层次聚类
本论文提出了一种基于神经网络的模型(Contrastive Multi-view Hyperbolic Hierarchical Clustering, CMHHC),应用于多视角数据的超几何层次聚类,通过对多个视角的样本级表示进行对比来捕获不变性信息,并将其嵌入到超几何空间中进行聚类,并且将最优化的超几何嵌入解码成二分聚类树结构。实验结果表明该方法及其组成部分的有效性。
May, 2022
在图表征学习中,提出了一种新的分层对比学习 (Hierarchical Contrastive Learning, 简称 HCL) 框架,采用自适应的 L2Pool 方法进行更合理的多尺度图形拓扑构建,并采用多通道伪孪生网络来进一步扩展各级别内的互信息学习,以获得更丰富和更具层次感的表示。通过实验,HCL 在节点分类、节点聚类和图分类等 12 个数据集上均取得了具有竞争力的性能表现,并且通过可视化显示,HCL 成功捕捉到了图的有意义特征。
Oct, 2022
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
该论文介绍了一种新的深度聚类方法 - Deep Robust Clustering (DRC),它从两方面同时考虑了语义聚类和特征表现,从而增加了跨类别差异并同时减少了类内差异,且通过数据增强和对比损失的最小化在多项基准测试中显著提高了准确性。
Aug, 2020
本文研究如何利用对比学习增强异构图神经网络的自我监督学习,提出了一种名为 HeCo 的新型协同对比学习机制,该机制使用交叉视图对比学习方法,学习节点嵌入以捕捉局部和高阶结构,并提出两种方法来生成更难的负样本以提高性能。最终获得包含不变因素和视图特定因素的高级节点嵌入。
Apr, 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
本文提出了一种层次对比学习框架 HiCL,它考虑了局部分段级和全局序列级关系以提高训练效率和效果。通过将序列分为几个分段,并应用局部和全局对比学习来建模分段级和序列级关系,HiCL 提高了其效果。此外,考虑到输入标记上的 transformers 的二次时间复杂度,在获得序列表示之前,HiCL 通过首先对短分段进行编码,然后将它们聚合起来来提高训练效率。大量实验证明,HiCL 提升了之前表现最好的 SNCSE 模型在七种广泛评估的 STS 任务上的性能,BERT-large 平均提升了 + 0.2%,RoBERTa-large 提升了 + 0.44%。
Oct, 2023
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
本文研究了自监督的异构图神经网络,并提出了一种名为 HeCo 的新型协同对比学习机制,用于异构信息网络的节点嵌入学习,该方法利用两个视图提取两种嵌入,确保两个视图之间相互监督,学习高级节点嵌入,并使用两种 HeCo 扩展生成更难的高质量负样本,提高了性能。
May, 2021
本文提出了一种基于遮盖的分层聚类对比学习模型(MHCCL),该模型利用多个潜在分区的分层结构中获得的语义信息用于多元时间序列的表示学习,通过新颖的向下遮罩策略过滤假负面、补充正面,进一步结合了聚类层次结构的多粒度信息,设计了新颖的向上遮罩策略以优化聚类元数据。实验结果表明,MHCCL 模型在七个广泛使用的时间序列数据集上比现有的无监督时间序列表示学习方法表现更卓越。
Dec, 2022