IDEC通过优化基于KL散度的聚类损失来操纵特征空间来散射数据。它通过合并一个自动编码器来维护局部结构。实验实验表明,结构保存对深度聚类算法至关重要,有利于聚类性能。未来的工作包括:在IDEC框架中添加更多的先验知识(如稀疏性),并为图像数据集合并卷积层。修改历史2022-02-13 创建文章2022-06-09 修订文章论文解读目录 论文信息
Deep Embedded Clustering (DEC) and Improved DEC (IDEC) with Kullback–Leibler loss handle a lot of data inefficiently due to the asymmetric nature of the loss. To address the challenge, an unsupervised learning approach to discover intents and automatically produce the labels from a collection ...
Deep Embedded Clustering (DEC) [Xie et al., 2016] 算法以自学习的方式定义了一个有效的目标。定义的聚类损失用于同时更新变换网络和聚类中心的参数。集群分配隐式集成到软标签。然而,聚类损失不能保证局部结构的保存。因此,特征转换可能会被误导,导致嵌入空间的损坏。 为了解决这个问题,在本文中,我们假设面向聚类...
论文笔记:Improved Deep Embedded Clustering with Local Structure Preservation 前言DEC 忽略了至关重要的因素,即定义的聚类损失可能会破坏特征空间(聚类损失不能保证局部结构的保存),从而导致无代表性的无意义特征,进而损害聚类性能。 文章提出的Improved Deep Embedded Clustering algorithm(IDEC) 考虑到了保留数据结构,利...