DeepDPM：聚类数未知的深度学习聚类
机器学习
2022-03-29 v1 机器学习
摘要
深度学习（DL）在无监督聚类任务中展现出巨大潜力。尽管如此，虽然经典（即非深度）聚类中非参数方法的好处已广为人知，大多数深度聚类方法仍是参数的：即它们需要预定义且固定的聚类数 K。然而，当 K 未知时，使用模型选择准则挑选其最优值可能计算代价高昂，尤其在 DL 中因为训练过程不得不重复多次。本工作中，我们弥补这一差距，引入一种有效的深度聚类方法，它不需要知道 K 的值，因为在学习过程中会推断它。利用拆分/合并框架、适应变化中 K 的动态架构以及一种新颖损失，我们提出的方法优于现有的非参数方法（包括经典与深度方法）。虽然极少数现有的深度非参数方法缺乏可扩展性，我们通过在 ImageNet 上报告此类方法的性能成为首例来证明我们的可扩展性。我们还通过展示那些固定 K 的方法在其假设 K 值偏离真实值时性能退化（尤其在非平衡数据集上）来证明推断 K 的重要性。我们的代码可在 https://github.com/BGU-CS-VIL/DeepDPM 获取。
引用
@article{arxiv.2203.14309,
title = {DeepDPM: Deep Clustering With an Unknown Number of Clusters},
author = {Meitar Ronen and Shahaf E. Finder and Oren Freifeld},
journal= {arXiv preprint arXiv:2203.14309},
year = {2022}
}
备注
24 pages, 15 figures. To be published in CVPR 2022