用于聚类的双重对抗自编码器
计算机视觉与模式识别
2020-08-25 v1
摘要
作为探索性数据分析的有力手段，无监督聚类是计算机视觉与模式识别中的基本任务。已有众多聚类算法被提出，但其中大多数在具有复杂结构的数据上表现不佳。近来，对抗自编码器 (AAE) 通过结合自编码器 (AE) 与对抗训练，在处理此类数据上展现出有效性，但其无法从无标签数据中有效提取分类信息。本文中，我们提出双重对抗自编码器 (Dual-AAE)，其同时最大化似然函数以及观测样本与部分潜变量之间的互信息。通过对 Dual-AAE 的目标函数进行变分推断，我们推导出一种新的重构损失，可通过训练一对自编码器来优化。此外，为避免模式崩塌，我们为类别变量引入聚类正则化项。在四个基准上的实验表明，Dual-AAE 优于当前最优的聚类方法。此外，通过增加拒绝选项，Dual-AAE 的聚类精度可达到有监督 CNN 算法的水平。Dual-AAE 也可用于在无监督信息情况下解耦图像的风格与内容。
引用
@article{arxiv.2008.10038,
title = {Dual Adversarial Auto-Encoders for Clustering},
author = {Pengfei Ge and Chuan-Xian Ren and Jiashi Feng and Shuicheng Yan},
journal= {arXiv preprint arXiv:2008.10038},
year = {2020}
}