数据聚类|深度聚类Unsupervised Deep Embedding for Clustering Analysis(DEC)论文研读

Posted 快乐江湖

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了数据聚类|深度聚类Unsupervised Deep Embedding for Clustering Analysis(DEC)论文研读相关的知识,希望对你有一定的参考价值。

DEC算法由两部分组成

  • 第一部分会预训练一个SDAE模型;
  • 第二部分选取SDAE模型中的Encoder部分,加入聚类层,然后最小化KL散度进行训练聚类

Absratct

提出了一种利用深度神经网络同时进行表征学习和聚类分配的方法,称之为深度嵌入聚类。该方法学习从数据空间到低纬空间的映射,并在其中迭代优化聚类目标

Introduction

想法:定义了从数据空间X到低维特征空间Z的参数化非线性映射,在该映射中我们优化了聚类目标。与之前在数据空间或浅层线性嵌入空间上的工作不同,我们通过反向传播在聚类目标上使用SGD来学习映射,这是由DNN参数化的

如何优化:与监督学习方式不同,我们不能用已标记的数据训练网络,相反我们建议用从当前的软聚类分配派生的辅助目标迭代细化聚类

Deep embedded clusering

首先使用非线性映射

以上是关于数据聚类|深度聚类Unsupervised Deep Embedding for Clustering Analysis(DEC)论文研读的主要内容,如果未能解决你的问题,请参考以下文章

深度学习 Unsupervised Learning 理论部分

深度学习小知识K-means聚类

数据聚类|深度聚类Deep Comprehensive Correlation Mining for Image Clustering(DCCM)论文研读

数据聚类|深度聚类Deep Comprehensive Correlation Mining for Image Clustering(DCCM)论文研读

深度剖析:数据科学家需要了解的5种聚类算法

深度机器理解大数据的秘密:聚类算法深度详解鹏越·精选