基于超网络的方法用于网格独立的函数数据聚类
机器学习
2026-02-27 v1
摘要
函数数据聚类关注的是对具有相似结构的函数进行分组,然而大多数现有方法在抽样网格上进行隐式运算,导致聚类分配依赖于分辨率、抽样密度或预处理选择,而非函数本身。为了解决这一限制,我们引入了一个框架,通过自编码架构将离散函数观察(无论分辨率如何,无论网格如何)映射到固定维度的向量空间。编码器是一个超网络,将坐标-值对映射到隐式神经表征(INR)的权重空间,后者作为解码器。由于INR用极少的参数组织函数,这一设计产生与抽样网格无关的紧凑表示,同时超网络在数据集上对权重预测进行 amortization。随后在权重空间中进行聚类,使用标准算法,使方法对离散化以及聚类方法的选择均不敏感。通过在高维设置下的合成和真实世界实验,我们展示了在抽样分辨率发生变化时具有竞争性的聚类性能——包括对训练期间未见过的分辨率的泛化。
引用
@article{arxiv.2602.22823,
title = {Hypernetwork-based approach for grid-independent functional data clustering},
author = {Anirudh Thatipelli and Ali Siahkoohi},
journal= {arXiv preprint arXiv:2602.22823},
year = {2026}
}