基于加权高斯分布学习的表格数据深度聚类
机器学习
2024-05-20 v3 人工智能
摘要
深度学习方法主要被提出用于图像或文本的监督学习，在聚类问题上的应用有限。相比之下，具有异构特征的表格数据在表示学习中带来了独特挑战，深度学习尚未能取代传统机器学习。本文针对这些挑战，开发了首批面向表格数据的深度聚类方法之一：自编码器隐空间高斯簇嵌入（G-CEALS）。G-CEALS是一种无监督深度聚类框架，通过迭代更新各簇权重来学习多元高斯簇分布的参数。基于十六个表格数据集上的聚类准确率和调整兰德指数（ARI）得分，G-CEALS方法分别取得了2.9(1.7)和2.8(1.7)的平均排名，并优于九种最先进的聚类方法。G-CEALS相比仍是表格数据聚类事实标准的传统K-means和高斯混合模型（GMM），大幅提升了聚类性能。类似计算高效且高性能的深度聚类框架，对于在表格数据上获取深度学习相对于传统机器学习的诸多优势而言是必要的。
引用
@article{arxiv.2301.00802,
title = {Deep Clustering of Tabular Data by Weighted Gaussian Distribution Learning},
author = {Shourav B. Rabbani and Ivan V. Medri and Manar D. Samad},
journal= {arXiv preprint arXiv:2301.00802},
year = {2024}
}