基于动态自编码器的深度聚类：从重构到质心构建
机器学习
2020-01-06 v5 机器学习
摘要
在无监督学习中，没有明显的直接代价函数能够捕捉显著的变异与相似因素。由于自然系统具有平滑动态，若在无监督目标函数的训练过程中保持静态，则会错失一种机会。缺乏具体监督意味着应整合平滑动态。与经典的静态代价函数相比，动态目标函数能更好地利用通过伪监督获得的渐进且不确定的知识。在本文中，我们提出动态自编码器（DynAE），一种克服聚类-重构权衡的新型深度聚类模型，通过逐步且平滑地消除重构目标函数，转而采用构建目标函数。在基准数据集上的实验评估表明，与最相关的深度聚类方法相比，我们的方法取得了最先进的（state-of-the-art）结果。
引用
@article{arxiv.1901.07752,
title = {Deep Clustering with a Dynamic Autoencoder: From Reconstruction towards Centroids Construction},
author = {Nairouz Mrabah and Naimul Mefraz Khan and Riadh Ksantini and Zied Lachiri},
journal= {arXiv preprint arXiv:1901.07752},
year = {2020}
}