Jul, 2023

快照谱聚类 —— 一种生成深度聚类集合的零成本方法

PDF
TL;DR本文探讨了如何通过使用深度学习技术和多视图融合的集成学习方法来改善聚类结果，提出了一种新的快照谱聚类集成方法（Snapshot Spectral Clustering），实验结果表明该方法有效地提高了聚类性能和减少了计算成本。
artificial intelligenceunsupervised learningclusteringdeep learningensemble learning
发现论文，激发创造
  • SpectralNet：使用深度神经网络进行谱聚类

    本篇论文提出了一种名为 SpectralNet 的深度学习方法，通过在大量的未标注数据上训练，将输入的数据转换为与其相连的图拉普拉斯矩阵的特征空间的向量，并成功地应用于谱聚类，实现了对谱聚类中可扩展性以及广义化转化的双重突破。

    Jan, 2018

  • 使用双自编码器网络的深度谱聚类

    本文提出了一种联合学习框架，通过使用双自编码器网络将输入嵌入到潜在空间中，利用相互信息估计从输入中提供更具区分性的信息，并应用深度谱聚类方法将潜在表示嵌入到特征空间中并聚类，证明该方法在基准数据集上显著优于现有的聚类方法。

    Apr, 2019

  • 学习神经本征函数进行无监督语义分割

    本文提出了一种使用基于神经网络的特征函数实现光谱聚类的方法，将神经网络特征作为输入，通过轻量级的神经特征函数实现密集预测，实验结果表明该方法在 Pascal Context、Cityscapes 和 ADE20K 基准测试上具有显著的性能优势。

    Apr, 2023

  • 超大规模光谱聚类与集成聚类

    该研究提出了两种新算法，U-SPEC 和 U-SENC，用于解决极大规模数据集的光谱聚类的可扩展性和稳健性问题，其中 U-SENC 在提高可靠性的同时保持高效性，并且这两种算法具有近乎线性的时间和空间复杂度。

    Mar, 2019

  • 基于深度光谱聚类的数据立方体分割

    扩展视觉技术在物理学中非常普遍，然而由于数据立方体的光谱构成对其解释提出了挑战。为了解决这个问题，我们探索了在编码空间中应用无监督聚类方法的可能性，通过数据立方体像素的光谱属性进行深层聚类，该过程由经过训练的变分自动编码器进行统计降维，同时聚类过程由可学习的迭代 K 均值聚类算法执行。我们将这一技术应用于两个不同的物理起源用例：一组关于绘画艺术品的宏观映射 X 射线荧光（MA-XRF）合成数据和模拟天体观测的数据集。

    Jan, 2024

  • 分布式草图缩放图聚类

    该研究使用基于矩阵草图的方法来解决在大规模图分析中传统方法遇到的挑战，尤其是无监督学习的社区结构划分问题，实验表明该方法在分配内存中可以获得出色的聚类效果，同时提高了聚类速度。

    Jul, 2020

  • 深度谱方法：无监督语义分割和定位惊人强大的基准线

    通过基于传统光谱分割方法，将图像分解为由自我监督网络的特征亲和矩阵的拉普拉斯特征向量，以对场景中的对象进行定位和义分割的无监督方法，在 Pascal VOC，MS-COCO 等复杂数据集上取得了显著的定位和分割优势。

    May, 2022

  • 谱聚类教程

    该论文介绍了谱聚类算法和图拉普拉斯的基本性质，推导了不同的谱聚类算法，比较了它们之间的优缺点。

    Nov, 2007

  • 小批量谱聚类

    采用自适应随机梯度优化的实用方法可以学习拉普拉斯矩阵的完整光谱，且每个迭代的成本与样本数量成线性关系，实验证明其具备比近似方法更好的计算可扩展性。

    Jul, 2016

  • 基于特征值的增量谱聚类

    基于子集集合的归一化特征值谱，我们提出了一种增量谱聚类方法，将数据分成可管理的子集，对每个子集进行聚类，根据特征值谱的相似性合并不同子集的聚类结果，从而实现整个数据集的聚类。实验结果表明，该方法能够获得接近整个数据集聚类结果的子集聚类和合并。

    Aug, 2023