基于 L2 归一化深度自编码器表示的聚类与无监督异常检测
机器学习
2018-02-02 v1
摘要
聚类对于模式识别与计算机视觉中的许多任务至关重要。随着深度学习的出现，学习用于聚类分析的深度无监督表示引起了越来越多的兴趣。该领域的许多工作依赖于自编码器的变体，并使用编码器输出作为聚类表示/特征。在本文中，我们表明在自编码器训练期间对这些表示施加 l2 归一化约束，可使训练后表示在欧氏空间中更具可分性与紧凑性。当在表示上采用 k-means 聚类时，这极大提升了聚类精度。我们还提出了一种基于 l2 归一化深度自编码器表示的聚类无监督异常检测方法。我们展示了 l2 归一化对异常检测精度的影响。我们进一步表明，与先前提出的深度方法（如基于重构误差的异常检测）相比，所提异常检测方法大幅提升了精度。
引用
@article{arxiv.1802.00187,
title = {Clustering and Unsupervised Anomaly Detection with L2 Normalized Deep Auto-Encoder Representations},
author = {Caglar Aytekin and Xingyang Ni and Francesco Cricri and Emre Aksu},
journal= {arXiv preprint arXiv:1802.00187},
year = {2018}
}
备注
Submitted to IJCNN 2018