用于深度多维聚类的变分自编码器中的潜在超结构学习
机器学习
2019-02-25 v3
摘要
我们研究了一种变分自编码器的变体，其中在潜在特征之上存在离散潜在变量的超结构。一般而言，我们的超结构是多个超潜在变量的树结构，并且它是从数据中自动学习的。当超结构中只有一个潜在变量时，我们的模型退化为假设潜在特征由高斯混合模型生成的模型。我们将我们的模型称为潜在树变分自编码器（LTVAE）。以往的深度学习聚类方法仅产生数据的一个划分，而 LTVAE 产生数据的多个划分，每个划分由一个超潜在变量给出。这是令人满意的，因为高维数据通常具有许多不同的自然侧面，并且可以以多种方式有意义地划分。
引用
@article{arxiv.1803.05206,
title = {Learning Latent Superstructures in Variational Autoencoders for Deep Multidimensional Clustering},
author = {Xiaopeng Li and Zhourong Chen and Leonard K. M. Poon and Nevin L. Zhang},
journal= {arXiv preprint arXiv:1803.05206},
year = {2019}
}
备注
Published in ICLR 2019