Cluster Flow：层次聚类层如何使深度神经网络更具抗攻击性、更接近人类和更容易实现关系推理

Apr, 2023

Cluster Flow：层次聚类层如何使深度神经网络更具抗攻击性、更接近人类和更容易实现关系推理

Cluster Flow: how a hierarchical clustering layer make allows deep-NNs more resilient to hacking, more human-like and easily implements relational reasoning

PDF

Ella Gale, Oliver Matthews

TL;DRClusterFlow 可以在卷积神经网络上运行，利用训练数据的多维分类和特征数据来构建类 / 特征的高超图，并通过三个任务展示 ClusterFlow 如何使现代深度卷积神经网络更具人类感性功能，以及 ClusterFlow 如何适用于非卷积数据并处理缺失数据。

Abstract

Despite the huge recent breakthroughs in neural networks (NNs) for artificial intelligence (specifically deep convolutional networks) such NNs do not achieve human-level performance: they can be hacked by images that would fool no human and lack `common sense'. It has been argued that

neural networks relational reasoning deep convolutional neural networks clusterflow artificial intelligence

发现论文，激发创造

重温卷积神经网络：用于城市范围内的人群流量分析

本文提出了一种名为 DeepLGR 的新型框架，以有效应对城市范围内人流量分析面临的挑战。该框架包含局部特征提取模块、全局上下文模块和基于张量分解的区域特定预测器，具有较高的效率、稳定性和泛化性能，能够有效学习全局空间关系和区域潜在功能。

Feb, 2020

深度神经网络作为协同分类器的层

本文探讨了全连接前馈神经网络中隐藏节点的激活模式，提出了从两个信息处理系统，即连续性和离散性的角度来看待这种网络分类能力的新方式，并且重点突出了这两者搭配的重要性，为深度学习中神经网络的泛化能力提供了新的思路。

Jan, 2020

深度学习作为 Ricci 流

深度神经网络经过一系列几何和拓扑简化来进行分类任务，而这与 Hamilton 的 Ricci 流在微分几何中平滑曲率以识别拓扑结构的过程存在对应关系。通过构建一个计算框架来量化数据通过 DNN 的不同层时发生的几何变化，我们展示了全局 Ricci 网络流与 DNN 的准确性相关，并且对深度和宽度无关，也适用于不同的数据集。这些发现推动了将微分几何和离散几何工具应用于深度学习解释性问题。

Apr, 2024

深度卷积神经网络分析的改进

本论文提出了一种基于可视化分析的方法，以更好地理解、诊断和改进深度卷积神经网络，并使用一些新的算法和技术来显示神经元和神经元群之间的多个方面和交互作用。

Apr, 2016

聚类内部：一种正则化 DNN 的隐式学习能力

本文研究深度神经网络的正则化机制，提出其通过提取类别样本的有意义聚类来实现隐含的正则化，证明这种聚类测度可以准确预测不同超参变化下的泛化性能。

Mar, 2021

对比层次聚类

本文介绍了一种基于深度神经网络的对比层次聚类模型 CoHiClust，采用自监督学习方法来将基础网络分解为二叉树结构，生成一种合理的聚类结构，并且在大多数图像数据集上与现有的平面聚类模型相比取得了更好的聚类精度。

Mar, 2023

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

TTTFlow: 无监督测试时间训练与正态流

该论文提出了一种用于图像分类的深度神经网络方法，通过测试时训练和无监督学习实现领域自适应，并在实验中证明了该方法相对于之前方法的优势。

Oct, 2022

不同空间和时间粒度下群众流量预测的增强

本研究提出使用基于图卷积网络的 CrowdNet 解决人群流动预测问题，并通过实验证明 CrowdNet 相对于现有的方法在预测和解释城市环境中的人员流动方面具有优越性。

Mar, 2022

恶意流量检测的深度学习

本文提出了一种基于层次分类和数量相关的反向传播算法的树形深度神经网络（TSDNN），以解决不平衡数据学习的问题，并在实验中表明其优于现有方法，可用于实时检测和深度学习在网络安全中的普适性能力。

Feb, 2018