Jan, 2024

由样本稳定性驱动的深度嵌入聚类

HTML
PDF
TL;DR通过样本稳定性驱动的深度嵌入聚类(DECS)算法，消除了对伪目标的需求，并在五个数据集上展示了超越现有聚类方法的优越性能。
发现论文，激发创造
  • 无监督深度嵌入聚类分析

    本文提出了一种同时学习特征表示和聚类分配的深度神经网络方法——深度嵌入聚类（DEC），该方法可将数据空间映射到低维特征空间，并在此优化聚类目标函数，实验结果表明，DEC在图像和文本语料库方面的表现显著超过现有的最先进方法。

    Nov, 2015

  • 基于卷积自编码嵌入和相对熵最小化的深度聚类

    该研究提出了一种名为DEPICT的新型深度嵌入式正则化聚类模型，该模型使用多层卷积自编码器和多项式 logistic 回归函数，通过相对熵最小化方法实现效率和精确性高效的数据映射和聚类分配，可以在无标签数据进行超参数调整的真实世界聚类任务中发挥其优越性和更快的运行时间。

    Apr, 2017

  • 基于深度分歧的聚类方法

    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

  • N2D：通过对自编码嵌入的局部流形聚类来实现（不太）深的聚类

    本研究提出了在深度非监督聚类中使用autoencoded embedding和UMAP的方法，该方法可以优于目前常见的深度聚类算法，并在多个数据集上取得了有竞争力的结果，为深度聚类提供了有前途的研究方向。

    Aug, 2019

  • 在线深度聚类用于无监督表示学习

    本文提出了一种在线深度聚类方法(ODC)，将聚类和网络更新同时进行，而不是交替进行，通过设计和维护两个动态存储模块(样本存储和中心存储)来使聚类中心稳定演化以保证分类器的稳定更新，实现了稳定的无监督表征学习。实验证明ODC有效地稳定了训练过程并提高了性能。

    Jun, 2020

  • 通过建立共识进行聚类的表示学习

    本文提出了一种使用一致性原则的无监督表示学习算法ConCURL，通过综合考虑共识、示例和种群三种一致性来实现对图像的聚类，并在四个数据集上实现了比现有方法更好的聚类性能。

    May, 2021

  • 深度聚类综述：分类，挑战和未来方向

    本文综述了深度聚类的最新研究进展、方法分类和实验设置，讨论了深度聚类的应用和未来方向。

    Jun, 2022

  • 共识表示的深度聚类

    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

  • 深度聚类的稳定簇划分

    通过提出一种稳定的聚类判别任务和全局熵约束优化方法，实现一阶深度聚类并在基准数据集和ImageNet上达到了最先进性能。

    Nov, 2023

  • 深度聚类中的扩散采样和硬度感知自蒸馏

    本文提出了一种新颖的端到端深度聚类方法，采用了扩散采样和硬度感知自蒸馏策略（HaDis），通过扩散采样对实例进行对齐以提高簇内紧密度，引入硬度感知自蒸馏机制来提高样本权重的自适应调整能力，同时结合原型对比学习来增强簇间可分性和簇内紧密度，实验证明了HaDis方法在五个挑战性图像数据集上相比现有技术具有更优的聚类性能。

    Jan, 2024