- 深度聚类综述:从先验角度
基于神经网络的深度聚类在分析高维复杂现实世界数据方面取得了巨大成功,然而现有工作往往忽视了深度聚类中先验知识的融合和利用,本文通过对各种先验知识进行分类,提供了全面的深度聚类方法综述,并提供了五个广泛使用的数据集的基准测试和方法性能分析,希 - 自监督的深度聚类与点对相似度
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 - GCC: 生成校准聚类
我们提出了一种新颖的生成校准聚类(GCC)方法,将特征学习和扩充巧妙地融入聚类过程中,通过发现真实样本和生成样本之间的内在关系和生成可靠聚类分配来改善聚类性能。
- 深度聚类评估:如何验证内部聚类验证指标
利用深度神经网络对复杂、高维数据进行分区的深度聚类方法存在独特的评估挑战,传统的聚类验证度量方法因适用于低维空间而在深度聚类中存在问题,本文针对在深度学习中评估聚类质量的问题进行了研究,提出了一个理论框架来突出使用内部验证度量方法在原始数据 - 融合高阶结构信息的图聚类
提出了一种新颖的图聚类网络,能充分利用图结构信息,捕获高阶结构信息,并应用三元自监督模块作为结构约束,在多个数据集上优于多个最先进的方法,显示出其优越性。
- 朝着校准的深度聚类网络
深度聚类存在过度自信问题,本研究开创性地提出了一个校准深度聚类框架,通过引入一个新的双头深度聚类流程来有效校准预测的置信度和实际准确性,通过规范化方法调整聚类流程中过度自信的预测,动态选择可靠的高置信度样本进行训练,并引入一种有效的网络初始 - 基于平衡 k 均值的不均衡数据聚类
平衡 K-means(EKM)是一种新颖且简单的 K-means 类型算法,通过减少大簇中心聚集的趋势,在不平衡数据上显著改善聚类结果。该论文还介绍了 HKM、FKM 和 EKM 的统一视角,展示它们本质上是梯度下降算法,并与牛顿法有明确的 - 使用软轮廓得分的深度聚类:紧凑且互相独立的聚类
这篇论文介绍了一种基于深度聚类的无监督学习方法,通过优化 soft silhouette 目标函数,引导学习到的表示形成紧凑且分离良好的聚类解决方案,使用了自编码器构建的深度学习结构,对多个基准数据集进行了实验,并获得了令人满意的聚类结果。
- 图像语义和语法序列学习导向
通过引入 “图像语法” 的概念,结合卷积神经网络和视觉变换器,我们提出了一个两阶段的弱监督学习方法,利用深度聚类和特征细化生成部分 - 语义分割,并结合双向长短时记忆模块处理语义分割补丁序列以捕捉图像语法,实现了对图像补丁损坏的准确检测,在 - 由样本稳定性驱动的深度嵌入聚类
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。
- 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 - 高效有效的深度聚类与动态分组及原型聚合
实时更新群组划分的动态分组和原型聚合的深度聚类框架有效地利用紧凑的群内连接、相互分离的聚类和高效的群组更新,通过自我监督训练在球面特征空间上执行原型聚合的对比学习,取得了优于最先进方法的卓越性能。
- ICLRP$^2$OT:用于深度不平衡聚类的渐进偏差最优输运
本文介绍了一种新的深度非平衡聚类问题,并提出了一种基于伪标签的学习框架,通过渐进式部分最优输运问题生成偏态感知的伪标签,并从高置信度样本中学习,实验证明了我们方法的优越性。
- 深层结构和注意力感知的子空间聚类
提出了一种新颖的深度结构和注意力感知子空间聚类方法(DSASC),同时考虑了数据内容和结构信息,通过使用视觉转换器提取特征,并将这些特征分为结构特征和内容特征,用于学习更高效的子空间结构进行谱聚类。大量实验结果表明,该方法明显优于现有方法。
- 基于语境相关的邻域精炼在深度聚类中的应用
自我监督学习与深度聚类的实例区别视角启发了对语义相似实例分组的重要性,通过促进由邻域一致性保留的语义结构,通过在线重新排序过程,挖掘更有信息量的邻居,进而鼓励跨视图的邻域一致性,并通过渐进松弛的边界过滤策略缓解聚类边界附近的噪声。我们的方法 - ICCV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。
- 利用正向相似度和聚类离散度学习提升聚类表示
本研究提出了一种名为 PIPCDR 的全新端到端深度聚类方法,它同时利用对比方法和非对比技术的优势,解决了类碰撞问题和聚类崩溃问题,通过正样本邻近损失和聚类分散正则化器实现了生成良好分离聚类和均匀表示的目标,并在大规模数据集上取得了最新的技 - 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 - DIVA: 基于狄利克雷过程的变分自编码器增量深度聚类算法
提出了一种基于无穷高斯混合先验的非参数深度聚类框架 DIVA,使用了记忆化的在线变分推理方法使聚类更加动态自适应,不需要先验知识,特别在处理具有增量特征的复杂动态变化数据中表现出色。
- AVATAR:用于目标域的对抗式自超级监督域自适应网络
本研究提出了基于深度聚类、领域对抗学习、自监督学习和样本选择策略的 AVATAR 算法,解决了复杂领域自适应任务中的领域差异和样本噪声问题,实验结果表明其在三个领域自适应基准任务上均优于现有算法。