基于融合自编码器的深度聚类
机器学习
2022-01-17 v2
摘要
近年来，在聚类研究中采用深度学习技术进行表示学习已引起广泛关注，催生了一种新开发的聚类范式，即深度聚类（DC）。通常，DC 模型利用自编码器学习内在特征，从而便利后续的聚类过程。如今，一种名为变分自编码器（VAE）的生成模型已在 DC 研究中获得广泛接受。然而，普通 VAE 不足以感知全面的潜在特征，导致聚类性能退化。本文提出一种新颖的 DC 方法来解决该问题。具体而言，将生成对抗网络与 VAE 融合为一种称为融合自编码器（FAE）的新自编码器，以辨识更具判别性的表示，惠及下游聚类任务。此外，FAE 采用深度残差网络架构实现，进一步增强了表示学习能力。最后，将 FAE 的潜在空间转换为由深度稠密神经网络塑造的嵌入空间，以拉开不同簇间的距离并压缩各簇内的数据点。在多个图像数据集上的实验证明了所提 DC 模型相对于基线方法的有效性。
引用
@article{arxiv.2201.04727,
title = {Deep clustering with fusion autoencoder},
author = {Shuai Chang},
journal= {arXiv preprint arXiv:2201.04727},
year = {2022}
}
备注
Added the highlights section, corresponding author info, and the acknowledgments