高效有效的深度聚类与动态分组及原型聚合
本文提出了一种新的、端到端的深度聚类方法 ——ProPos,它结合了原型散射和正样本采样对聚类性能进行了提升,并通过在大规模数据集上的实验证明了其具有领先的性能。
Nov, 2021
本文提出了一种使用多原型策略的联邦对比学习方法 (MP-FedCL),旨在增强分散式智能服务中的隐私保护功能,并在标签和特征分布不独立且倾斜的情况下,证明了多原型策略的有效性,并在 MNIST,Digit-5,Office-10 和 DomainNet 等多个数据集上显示出优异的性能.
Apr, 2023
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
该论文介绍了原型对比学习(PCL)这一无监督表示学习方法,PCL 不仅学习用于实例区分的低级特征,更重要的是它隐含地将数据的语义结构编码到了学习的嵌入空间中,该方法通过增加原型作为潜在变量来寻找最大似然估计,提出了一种基于对比学习的通用损失函数 ProtoNCE loss,此方法在多个基准测试中的表现均优于当前最先进的基于实例对比学习方法,在低资源转移学习方面有了显著的改进。
May, 2020
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
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
本文提出了一种两阶段的特征融合范式,Cluster 和 Aggregate,用于无约束人脸识别,它能够适应大规模输入,维护顺序不变性,并通过聚类特征进行序列推理。实验结果表明,所提出的范式在无约束人脸识别中具有优越性。
Oct, 2022