自监督图嵌入聚类
机器学习
2024-10-31 v2
摘要
K 均值单步骤降维聚类方法在解决聚类任务中的维度诅咒方面取得了一些进展。然而，它将 K 均值聚类和降维过程组合进行优化，导致由于引入超参数和聚类中心的初始化而导致聚类效果受限。此外，在聚类过程中保持类别平衡仍然具有挑战性。为克服这些问题，我们提出了一个统一框架，将流形学习与 K 均值集成，从而形成自监督图嵌入框架。具体而言，我们在 K 均值与流形结构之间建立了联系，允许我们在不显式定义质心的情况下进行 K 均值。此外，我们利用该无质心 K 均值在低维空间中生成标签，并随后利用标签信息来确定样本之间的相似性。这种方法确保了流形结构与标签之间的一致性。我们的模型有效地实现了无需冗余平衡超参数的单步骤聚类。值得注意的是，我们发现最大化 -范数自然地在聚类期间保持类别平衡，这一结果我们已理论证明。最终，在多个数据集上的实验表明，我们的 LPP 和 MFA 的聚类结果表现出色且可靠。
引用
@article{arxiv.2409.15887,
title = {Self-Supervised Graph Embedding Clustering},
author = {Fangfang Li and Quanxue Gao and Cheng Deng and Wei Xia},
journal= {arXiv preprint arXiv:2409.15887},
year = {2024}
}