从逻辑图到层次结构：简化的层次聚类

许多真实数据集中固有的数据层次结构，使得在无监督和监督机器学习中建模此类层次结构成为关键目标。尽管近期研究引入了专为层次聚类设计的深度架构，但我们采取批判性视角来审视这一研究路径。我们的发现表明，这些方法在应用于真实数据集时在可扩展性和性能方面存在显著局限。基于这些发现，我们提出了一种替代方法，引入一种基于预训练非层次聚类模型的轻量级方法。令人惊讶的是，我们的方法在层次聚类方面超越了专用的深度模型，并且可以广泛应用于任何输出逻辑图的预训练聚类模型，而无需任何微调。为了凸显我们方法的通用性，我们将其应用扩展到监督设置，展示了其从预训练的 ImageNet 分类器中恢复有意义层次结构的能力。我们的结果确立了一种实用且高效的现有深度层次聚类方法的替代方案，在效率、可扩展性和性能方面具有显著优势。