基于 Concrete GMVAE 的可扩展深度无监督聚类
机器学习
2019-09-20 v1 机器学习
摘要
离散随机变量是概率聚类模型的自然组成部分。已开发出多种具有离散潜在变量的 VAE 变体。训练此类方法需要对离散潜在变量进行边缘化，导致训练时间复杂度与聚类数成线性关系。通过对这些方法中的离散变量应用连续松弛，我们可以将训练时间复杂度降低到与所用聚类数无关的常数级别。我们证明，在实践中，对于其中一种方法——高斯混合 VAE，使用连续松弛对聚类质量没有负面影响，但能显著减少训练时间，在 CIFAR-100 上使用 20 个聚类时，训练时间从 47 小时减少到不足 6 小时。
引用
@article{arxiv.1909.08994,
title = {Scalable Deep Unsupervised Clustering with Concrete GMVAEs},
author = {Mark Collier and Hector Urdiales},
journal= {arXiv preprint arXiv:1909.08994},
year = {2019}
}