通过保局部变分判别网络学习用于聚类的鲁棒表示
机器学习
2021-03-12 v2
摘要
聚类是无监督学习中的基本问题之一。近年来基于深度学习的方法侧重于学习面向聚类的表示。在这些方法中，变分深度嵌入（Variational Deep Embedding, VaDE）通过对隐空间指定高斯混合先验，在各种聚类任务中取得了巨大成功。然而，VaDE存在两个问题：1）对输入噪声脆弱；2）忽略了相邻数据点之间的局部性信息。在本文中，我们提出了一种联合学习框架，通过鲁棒嵌入判别器和局部结构约束来改进VaDE，这两者都有助于提高我们模型的鲁棒性。在多个视觉和文本数据集上的实验结果表明，我们的方法在所有指标上都优于最先进的基线模型。进一步的详细分析表明，我们提出的模型对对抗性输入非常鲁棒，这是实际应用中所期望的特性。
引用
@article{arxiv.2012.13489,
title = {Learning Robust Representation for Clustering through Locality Preserving Variational Discriminative Network},
author = {Ruixuan Luo and Wei Li and Zhiyuan Zhang and Ruihan Bao and Keiko Harimoto and Xu Sun},
journal= {arXiv preprint arXiv:2012.13489},
year = {2021}
}
备注
Accepted by AAAI RSEML 2021