我们提出了一种新的深度聚类网络,利用信息理论差异度量的鉴别能力,提出了一种新颖的损失函数,避免了聚类分区的退化结构。
Feb, 2019
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
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
本研究基于深度聚类方法,提出了一种结合公平性目标的自适应学习算法,以解决群体层面的公平性问题,其实现步骤包括将整数线性规划嵌入到判别式深度聚类主干中,多状态受保护状态变量(PSVs)的分类等。实验数据表明,本算法优于现有公平聚类算法,并且适用于具有灵活公平性约束的任务。
May, 2021
提出了一种基于无穷高斯混合先验的非参数深度聚类框架 DIVA,使用了记忆化的在线变分推理方法使聚类更加动态自适应,不需要先验知识,特别在处理具有增量特征的复杂动态变化数据中表现出色。
May, 2023
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
本论文提出了一种集成多样性理论,阐明了多样性的本质及对各种监督学习场景的影响,揭示了多样性是集合偏差方差分解中的一个隐含维度,同时提供了一种自动识别可使偏差方差多样性分解成立的组合规则的方法。在此基础上,实验进一步说明了我们可以用该框架来理解当前流行的集成方法。
Jan, 2023
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
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