ClusterGAN：生成对抗网络中的潜空间聚类
机器学习
2019-01-29 v2 机器学习
摘要
生成对抗网络（GAN）在许多无监督学习任务中取得了显著成功，而无疑聚类是一个重要的无监督学习问题。虽然人们可以潜在地利用 GAN 中的潜空间反向投影来进行聚类，但我们证明聚类结构并未保留在 GAN 潜空间中。本文中，我们提出 ClusterGAN 作为一种利用 GAN 进行聚类的新机制。通过从独热编码变量与连续潜变量的混合中采样潜变量，并结合一个逆网络（将数据投影到潜空间）与聚类特定损失联合训练，我们能够在潜空间中实现聚类。我们的结果显示了一个显著现象：即使判别器从未暴露于此类向量，GAN 也能跨类别保持潜空间插值。我们将结果与各种聚类基线比较，并在合成与真实数据集上展示了优越性能。
引用
@article{arxiv.1809.03627,
title = {ClusterGAN : Latent Space Clustering in Generative Adversarial Networks},
author = {Sudipto Mukherjee and Himanshu Asnani and Eugene Lin and Sreeram Kannan},
journal= {arXiv preprint arXiv:1809.03627},
year = {2019}
}
备注
GANs, Clustering, Latent Space, Interpolation (v2 : Typos fixed, some new experiments added, reported metrics on best validated model.)