多面聚类变分自编码器
机器学习
2021-11-02 v2 计算机视觉与模式识别
机器学习
统计方法学
摘要
深度聚类的工作集中于寻找数据的单一划分。然而，高维数据（如图像）通常具有多个可据此聚类的有趣特征。例如，背景前的物体图像可按物体形状聚类，也可按背景颜色单独聚类。在本文中，我们引入多面聚类变分自编码器（MFCVAE），这是一类新颖的变分自编码器，具有层次化潜在变量，每个变量带有高斯混合先验，可同时学习多个聚类，并以完全无监督和端到端的方式训练。MFCVAE 使用渐进训练的阶梯架构，从而带来高度稳定的性能。我们提供了关于针对类别变分后验分布解析优化 ELBO 的新理论结果，修正了早期有影响力的理论工作。在图像基准上，我们证明了我们的方法以解耦的方式分离并基于数据的不同方面进行聚类。我们还展示了我们模型的其他优势：其潜在空间的组合性以及它提供受控样本生成的能力。
引用
@article{arxiv.2106.05241,
title = {Multi-Facet Clustering Variational Autoencoders},
author = {Fabian Falck and Haoting Zhang and Matthew Willetts and George Nicholson and Christopher Yau and Chris Holmes},
journal= {arXiv preprint arXiv:2106.05241},
year = {2021}
}
备注
Advances in Neural Information Processing Systems 34 (NeurIPS 2021)