N2D：通过聚类自编码嵌入的局部流形实现（不太）深度聚类
机器学习
2020-07-01 v6 机器学习
摘要
深度聚类日益展现出相对于传统浅层聚类算法的优越性。深度聚类算法通常将表示学习与深度神经网络相结合以实现此性能，通常优化一个聚类损失和非聚类损失。在此类情况下，自编码器通常与聚类网络相连，最终聚类由自编码器和聚类网络联合学习。相反，我们提出学习一个自编码嵌入，然后进一步搜索其底层流形。为简单起见，我们随后使用浅层聚类算法而非更深的网络对其进行聚类。我们研究了在原始数据和自编码嵌入上的多种局部与全局流形学习方法，得出结论：在我们的框架中 UMAP 最能找到嵌入中最具可聚类性的流形，这表明在自编码嵌入上进行局部流形学习对于发现更高质量的聚类是有效的。我们在一系列图像和时间序列数据集上定量表明，我们的方法与最新深度聚类算法相比具有竞争性性能，包括在多个数据集上优于当前最优方法。我们推测这些结果显示了深度聚类的一个有前景的研究方向。代码可在 https://github.com/rymc/n2d 找到。
引用
@article{arxiv.1908.05968,
title = {N2D: (Not Too) Deep Clustering via Clustering the Local Manifold of an Autoencoded Embedding},
author = {Ryan McConville and Raul Santos-Rodriguez and Robert J Piechocki and Ian Craddock},
journal= {arXiv preprint arXiv:1908.05968},
year = {2020}
}
备注
Accepted at ICPR 2020