层次化聚类表示学习
机器学习
2019-03-26 v2 机器学习
摘要
近年来，嵌入空间中表示学习与聚类的联合优化取得了突破。尽管有所进展，基于表示学习的聚类仍局限于扁平层级类别，通常涉及以实例关系为重点的内聚聚类。为克服扁平聚类的局限，我们提出层次化聚类表示学习（HCRL），其在嵌入空间中同时优化表示学习与层次聚类。与少数已有工作相比，HCRL 首次尝试考虑从层次结构的每个组件（而非仅叶组件）生成深度嵌入。除获得层次聚类嵌入外，我们还能以不同抽象层级重构数据、推断内在层次结构并学习层级比例特征。我们在图像与文本领域进行了评估，定量分析与基线相比显示出良好的似然值与最佳准确率。
引用
@article{arxiv.1901.09906,
title = {Hierarchically Clustered Representation Learning},
author = {Su-Jin Shin and Kyungwoo Song and Il-Chul Moon},
journal= {arXiv preprint arXiv:1901.09906},
year = {2019}
}
备注
10 pages, 7 figures, Under review as a conference paper