基于概率比率割优化的深度聚类

我们提出了一种通过将二元分配建模为随机变量来优化图比率割的新方法。我们提供了期望比率割的上界，以及其梯度的无偏估计，以便在在线设置中学习分配变量的参数。我们的概率方法（PRCut）产生的聚类结果优于该组合问题的瑞利商松弛、其在线学习扩展以及几种广泛使用的方法。我们证明，PRCut 聚类与相似性度量紧密对齐，并且在提供基于标签的相似性时，其性能可与监督分类器相媲美。这种新颖的方法可以利用现成的自监督表示来获得有竞争力的性能，并可作为这些表示质量的评估方法。