用于深度聚类的相异度混合自编码器
机器学习
2021-07-16 v4 计算机视觉与模式识别
机器学习
摘要
相异度混合自编码器 (DMAE) 是一种基于特征的聚类神经网络模型，它引入了灵活的相异度函数，并可集成到任意种类的深度学习架构中。它内部表示一种相异度混合模型 (DMM)，该模型通过将概率重新解释为神经网络表示，把 K-Means、高斯混合模型或 Bregman 聚类等经典方法推广到任意凸且可微的相异度函数。DMAE 可与深度学习架构集成到端到端模型中，从而同时估计聚类参数与神经网络参数。我们在图像与文本聚类基准数据集上进行了实验评估，表明 DMAE 在无监督分类准确率和归一化互信息方面具有竞争力。DMAE 实现的源代码公开于：https://github.com/juselara1/dmae
引用
@article{arxiv.2006.08177,
title = {Dissimilarity Mixture Autoencoder for Deep Clustering},
author = {Juan S. Lara and Fabio A. González},
journal= {arXiv preprint arXiv:2006.08177},
year = {2021}
}
备注
20 pages (2.5 pages of references)