MPCC：用于聚类的先验与条件匹配
机器学习
2020-08-25 v1
摘要
聚类是无监督学习中的基本任务，严重依赖于所使用的数据表示。深度生成模型已成为学习信息性低维数据表示的有前景工具。我们提出用于聚类的先验与条件匹配(MPCC)，一种基于GAN的模型，带有从数据推断潜变量和聚类类别的编码器，以及从条件潜空间生成样本的灵活解码器。通过MPCC我们证明，深度生成模型在聚类任务中可具有与判别方法竞争/更优的性能，在多种基准数据集上超越SOTA。我们的实验表明，添加可学习先验并增加编码器更新次数可改善生成样本质量，在CIFAR10上获得9.49 0.15的inception score，并将Fr\'echet inception distance较SOTA提升46.9%。
引用
@article{arxiv.2008.09641,
title = {MPCC: Matching Priors and Conditionals for Clustering},
author = {Nicolás Astorga and Pablo Huijse and Pavlos Protopapas and Pablo Estévez},
journal= {arXiv preprint arXiv:2008.09641},
year = {2020}
}
备注
ECCV 2020