自监督的深度聚类与点对相似度

May, 2024

Deep Clustering with Self-Supervision using Pairwise Similarities

Mohammadreza Sadeghi, Narges Armanfard

TL;DR使用成对相似度的自监督方法提出了一种新颖的深度聚类框架（DCSS），通过形成类似于高维球的相似数据点的群体，并在聚类特定损失下训练自编码器，在自编码器的潜空间中形成超球体，使用自编码器第一阶段得到的潜空间作为第二阶段的输入，通过成对相似度方法在 K 维空间中进行聚类，实验结果表明两个阶段的有效性。

Abstract

deep clustering incorporates embedding into clustering to find a lower-dimensional space appropriate for clustering. In this paper, we propose a novel deep clustering framework with →

deep clustering self-supervision pairwise similarities hypersphere-like groups rigorous experiments

发现论文，激发创造

深度连续聚类

通过深度自编码器实现非线性降维和聚类，优化作为聚类过程的自编码器，避免之前聚类算法中离散目标的缺陷，无需先验知识即可进行聚类，实验证明该算法优于状态的聚类方案并具有普适性。

Mar, 2018

深度稀疏子空间聚类

本文提出了一种深度扩展的稀疏子空间聚类方法，称为深层稀疏子空间聚类（DSSC）。通过神经网络的非线性变换，DSSC 不仅满足了 SSC 的稀疏性原则，还同时满足了学习深度特征的单位球分布假设。实验证明 DSSC 在四个真实世界数据集上具有明显优势，是目前为止最好的基于深度学习的子空间聚类方法之一。

Sep, 2017

深度子空间聚类网络

本文提出了一种基于深度自编码器的无监督子空间聚类新颖深度神经网络架构，其中引入了一种自相似层，以模拟传统子空间聚类方法中的 “自相似” 属性。该方法能够在非线性方式下对具有复杂结构的数据点进行聚类，并且在实验中表现出优于现有方法的性能。

Sep, 2017

深度判别潜空间聚类

本研究提出优化自动编码器的磨损和判别力对数的预训练阶段，以获得更高的聚类准确性和更快的收敛速度。

May, 2018

核保持嵌入的相似性学习

本文提出了一种新的相似性学习框架，通过最小化核矩阵的重构误差，而不是现有的重构数据的误差，来提取相似性信息，并在聚类任务中展示了明显的改进，而且该框架为其它相似性任务提供了包括高维数据映射至低维空间在内的一种新的基础。

Mar, 2019

深度闭式子空间聚类

本文提出了一种新型深度子空间聚类模型，名为 Deep Closed-Form Subspace Clustering (DCFSC)，通过使用无参数的、基于浅层自编码器的非线性映射得出数据驱动的自表示层，相较于之前的方法具有更好的解决大规模数据集聚类的能力。

Aug, 2019

神经协作子空间聚类

研究介绍了神经协同子空间聚类，一种无需谱聚类辅助即可发现低维子空间中数据点集簇的神经模型。关键在于分类器的构建和两个相关矩阵的协同训练。与其他聚类算法相比性能更优。

Apr, 2019

深度双重自表达子空间聚类

本文提出了一种双自表达子空间聚类算法，利用自表达系数构建相似度矩阵进行谱聚类，并提出了基于对比学习的自监督模块，该算法在多个基准数据集上实现了比现有方法更好的聚类表现。

Jun, 2023

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

使用偏序集进行深层无监督相似性学习

通过局部可靠相似度的估计，不需要监督信号，将样本分组成紧凑的代理类，利用样本到类的局部偏序将类与类连接起来，将相似性学习形式化为局部排序任务，并采取自我监督策略，在 CNN 中训练样本以一致的方式表示，同时更新类。该无监督方法在详细姿态估计和对象分类上表现出有竞争力的性能。

Apr, 2017