基于对称InfoNCE的拓扑不变性约束深度聚类
机器学习
2023-03-07 v1 机器学习
摘要
我们考虑可用先验知识有限的深度聚类场景。在此场景下，现有少数最先进的深度聚类方法能同时在非复杂拓扑与复杂拓扑数据集上表现良好。为解决这个问题，我们提出了一种利用对称InfoNCE的约束，它帮助该场景下的深度聚类方法目标训练模型，从而对非复杂拓扑与复杂拓扑数据集都高效。此外，我们提供了若干理论解释，说明该约束能提升深度聚类方法性能的原因。为确认所提约束的有效性，我们引入了名为MIST的深度聚类方法，它是现有深度聚类方法与我们的约束的结合。我们通过MIST的数值实验证明该约束有效。此外，在常用的十个基准数据集中大多数上，MIST优于其他最先进的深度聚类方法。
引用
@article{arxiv.2303.03036,
title = {Deep Clustering with a Constraint for Topological Invariance based on Symmetric InfoNCE},
author = {Yuhui Zhang and Yuichiro Wada and Hiroki Waida and Kaito Goto and Yusaku Hino and Takafumi Kanamori},
journal= {arXiv preprint arXiv:2303.03036},
year = {2023}
}
备注
48 pages, 6 figures