基于神经网络并行估计全变距离以合并过聚类结果
机器学习
2019-12-10 v1 计算机视觉与模式识别
机器学习
摘要
我们考虑这样一种初始情形：一个数据集已被过划分为 个簇，并寻求一种与领域无关的方式来合并这些初始簇。我们确定全变距离（TVD）适用于此目标。通过利用 TVD 与贝叶斯准确率之间的关系，我们展示了如何使用神经网络并行估计所有簇对之间的 TVD。关键在于，通过将所需的输出神经元数量从 减少到 ，所需内存空间得以降低。在真实获取的 ImageNet 子集过聚类结果上证明，我们的 TVD 估计比依赖最先进的无监督表示所获得的合并决策更好。此外，通过在点云数据集上评估，验证了该方法的通用性。
引用
@article{arxiv.1912.04022,
title = {Parallel Total Variation Distance Estimation with Neural Networks for Merging Over-Clusterings},
author = {Christian Reiser and Jörg Schlötterer and Michael Granitzer},
journal= {arXiv preprint arXiv:1912.04022},
year = {2019}
}