May, 2023

使用旁路信息的差分可微均值漂移算法 (DMS) 进行数据集不可知任务特定聚类

PDF
TL;DR该研究提出了一种基于侧面信息学习数据聚类的新方法，使用自定义迭代神经网络实现 Differentiable Mean Shift（DMS）进行聚类，该方法不需要知道聚类数量、中心点或任何距离度量，可在不同任务需要的情况下将相同的数据点分成不同的类别，且 DMS 在固有和非固有数据集任务中表现优异。
clusteringside informationneural networkdifferentiable mean shiftdataset agnostic
发现论文，激发创造
  • 基于深度生成模型的半众包聚类

    本论文考虑基于有噪声的数据子集对聚类问题进行半监督学习，提出一种新的深度生成模型和统计关系模型相结合的方法，并采用贝叶斯推断策略，采用快速（自然梯度）随机变分推断算法进行推断，实验结果显示该方法优于以往的基于众包的聚类方法。

    Oct, 2018

  • 可微分模型缩放的可微分 Topk

    基于可微模型缩放的神经架构搜索方法能够提高搜索网络的效率并找到改进的结构，在不同任务和不同网络架构下具有一致的结果并超越了现有的神经架构搜索方法。

    May, 2024

  • 半监督聚类的遗传差分进化方法

    本文提出了一种基于差分进化模式的新型模拟方法，用于解决半监督最小平方和聚类问题，通过考虑实例级别的约束来达到更好的聚类效果。

    Mar, 2024

  • 广义互信息：一种用于判别聚类的框架

    本文介绍了深度聚类中相互信息作为无监督训练神经网络的客观标准的最大化并不能得到令人满意的聚类结果，并将核心距离更改为常见的挑战导致的原因。因此，我们通过引入广义相互信息 (GEMINI) 来推广相互信息，它是一组用于无监督神经网络训练的指标。与相互信息不同，一些 GEMINI 在训练时不需要正则化，因为它们在数据空间中具有几何意识的距离或核函数。最后，我们强调 GEMINI 可以自动选择相关的聚类数目，这是在深度判别聚类上很少研究的一个特性，因为聚类数目是先验未知的。

    Sep, 2023

  • 随机均值漂移聚类

    本研究提出了一种基于随机版本均值漂移聚类算法，与确定性的均值漂移聚类相比，在合成的二维和三维数据集上进行了集群纯度和类数据纯度的比较，发现随机均值漂移聚类在大多数情况下优于确定性均值漂移。

    Dec, 2023

  • 判别聚类的广义互信息

    本文提出了一种新的无监督神经网络训练度量标准 —— 广义互信息 (GEMINI)，相比于互信息，它不需要正则化且可自动选择群聚数目，并且是数据空间的几何感知度量，从而提供更好的聚类效果。

    Oct, 2022

  • 一次性跨领域语义分割的信息挖掘

    我们提出了一种名为 Informative Data Mining (IDM) 的新框架，通过使用一种基于不确定性的样本选择准则来实现高效的一次性领域自适应，其中包括基于补丁混合和基于原型的信息最大化来更新模型，有效提高了自适应性并缓解过拟合问题。

    Sep, 2023

  • 联合多维缩放的无监督流形对齐

    该论文介绍了一种新的方法 —— 联合多维标度，它可以将来自两个不同领域的数据集映射到一个低维欧几里得空间中，同时只需要每个数据集内部的成对不相似性作为输入，并展示了其在联合可视化、异质领域自适应、图形匹配和蛋白质结构对齐等多个应用中的有效性。

    Jul, 2022

  • 一篇聚类算法的均值漂移综述

    本文讨论了基于核密度估计和均值漂移算法的聚类方法及其理论，包括模糊和非模糊均值漂移、高斯混合模型、与尺度空间理论、谱聚类等算法的联系，以及对大型数据集的加速策略和图像分割、去噪等应用。

    Mar, 2015

  • 可扩展的大边界马氏距离度量学习

    本文提出一种快速且可扩展的机器学习算法，用于学习马氏距离指标，并利用凸优化原理和梯度下降方法解决距离度量问题，实现在计算复杂性方面的显著提高，达到与现有方法相当的分类准确度。

    Mar, 2010