你永不独自聚类

近期基于实例级对比目标的无监督学习进展促进了无监督聚类。然而，孤立的数据点无法感知整体聚类的上下文，可能经历次优分配。本文中，我们将主流对比学习范式扩展至聚类级方案，其中归属于同一聚类的所有数据贡献于一个统一表示，该表示编码了每个数据组的上下文。以此表示进行的对比学习进而奖励每个数据点的分配。为实现该愿景，我们提出双对比聚类（TCC）。我们定义一组类别变量作为聚类分配置信度，将实例级学习轨迹与聚类级轨迹相联结。一方面，以相应分配变量为权重，沿数据点的加权聚合实现了聚类的集合表示。我们进一步提出启发式聚类增强等价操作以启用聚类级对比学习。另一方面，我们推导了带分配的实例级对比目标的证据下界。通过对分配变量重参数化，TCC以端到端方式训练，无需交替步骤。大量实验表明TCC在具有挑战性的基准上优于当前最优方法。