如何现在而无需深度学习就实现深度聚类的预期目标
机器学习
2026-02-06 v1
摘要
深度聚类 (DC) 常被引用为 -means 聚类的关键优势之一。然而，这一优势常仅在图像数据集上进行演示，是否解决了 -means 聚类的根本局限性尚不明确。深度嵌入聚类 (DEC) 通过自编码器学习潜在表示，并基于类似 -means 的程序进行聚类，而优化则以端到端方式进行。本文 investigates whether deep-learned representation 使 DEC 能够克服 -means 聚类的已知根本局限性，即无法发现任意形状、大小和密度的聚类。我们对 DEC 的研究具有更广泛的意义，适用于一般的深度聚类方法。值得注意的是，这些方法中没有一种方法利用聚类的数据分布。我们发现，一种非深度学习方法通过利用数据集中聚类的分布信息，有效地解决了这些根本局限性。
引用
@article{arxiv.2602.05749,
title = {How to Achieve the Intended Aim of Deep Clustering Now, without Deep Learning},
author = {Kai Ming Ting and Wei-Jie Xu and Hang Zhang},
journal= {arXiv preprint arXiv:2602.05749},
year = {2026}
}
备注
Work on progress