基于对比学习的少样本聚类
机器学习
2022-07-12 v1 人工智能
摘要
我们提出少样本聚类（FEC），一种执行对比学习以聚类少量样本的新算法。我们的方法由以下三个步骤组成：（1）生成候选聚类分配，（2）对每个聚类分配进行对照学习，（3）选择最佳候选。基于具有真值聚类分配的对比学习器比其他学习器训练更快的假设，我们在步骤（3）中选择学习早期阶段训练损失最小的候选。在 \textit{mini}-ImageNet 和 CUB-200-2011 数据集上的大量实验表明，在各种场景下 FEC 平均优于其他基线约 3.2%。FEC 还表现出一种有趣的学习曲线，其中聚类性能逐渐上升然后急剧下降。
引用
@article{arxiv.2207.04050,
title = {Few-Example Clustering via Contrastive Learning},
author = {Minguk Jang and Sae-Young Chung},
journal= {arXiv preprint arXiv:2207.04050},
year = {2022}
}