<kbd id="afajh"><form id="afajh"></form></kbd>
<strong id="afajh"><dl id="afajh"></dl></strong>
    <del id="afajh"><form id="afajh"></form></del>
        1. <th id="afajh"><progress id="afajh"></progress></th>
          <b id="afajh"><abbr id="afajh"></abbr></b>
          <th id="afajh"><progress id="afajh"></progress></th>

          深度學習聚類的綜述

          共 2744字,需瀏覽 6分鐘

           ·

          2022-12-30 09:01

          這篇博客對現(xiàn)有的深度聚類算法進行全面綜述與總結。 現(xiàn)有的深度聚類算法大都由聚類損失與網絡損失兩部分構成,博客從兩個視角總結現(xiàn)有的深度聚類算法,即聚類模型與神經網絡模型。

          1. 什么是深度聚類?

          經典聚類即數據通過各種表示學習技術以矢量化形式表示為特征。隨著數據變得越來越復雜和復雜,淺層(傳統(tǒng))聚類方法已經無法處理高維數據類型。為了解決改問題,深度聚類的概念被提出,即聯(lián)合優(yōu)化表示學習和聚類。cf0b19fe072c451762f9fecb8e49755e.webp

          2. 從兩個視角看深度聚類

          37a8572ca8bf118dfcecbefc8f622a4b.webp

          3. 從聚類模型看深度聚類

          3.1 基于K-means的深度聚類

          b055e4d07502777f73b106ce6104941e.webp

          參考:聚類——K-means - 凱魯嘎吉 - 博客園

          3.2 基于譜聚類的深度聚類

          e19e1d5298c691eee60e9b02795a565d.webp

          參考:多視圖子空間聚類/表示學習(Multi-view Subspace Clustering/Representation Learning)?,關于“On the eigenvectors of p-Laplacian”目標函數的優(yōu)化問題?- 凱魯嘎吉 - 博客園

          3.3?基于子空間聚類(Subspace Clustering, SC)的深度聚類

          2899ba3b93c76ba38439d67deaf25cce.webp

          參考:深度多視圖子空間聚類,多視圖子空間聚類/表示學習(Multi-view Subspace Clustering/Representation Learning),字典更新與K-SVD ?- 凱魯嘎吉 - 博客園

          3.4?基于高斯混合模型(Gaussian Mixture Model, GMM)的深度聚類

          b9e068b31ec381b28cd599710e0d4dbd.webp

          參考:聚類——GMM,基于圖嵌入的高斯混合變分自編碼器的深度聚類(Deep Clustering by Gaussian Mixture Variational Autoencoders with Graph Embedding, DGG)?- 凱魯嘎吉 - 博客園

          3.5?基于互信息的深度聚類

          4e759aad8a603d834ea42fa433122f76.webp

          參考:COMPLETER: 基于對比預測的缺失視圖聚類方法,Meta-RL——Decoupling Exploration and Exploitation for Meta-Reinforcement Learning without Sacrifices - 凱魯嘎吉 - 博客園

          3.6 基于KL的深度聚類

          d627f8101c9aa34c6336e0f8d6396874.webp

          參考:Deep Clustering Algorithms ,關于“Unsupervised Deep Embedding for Clustering Analysis”的優(yōu)化問題,結構深層聚類網絡,具有協(xié)同訓練的深度嵌入多視圖聚類?- 凱魯嘎吉 -博客園


          4.?從神經網絡模型看深度聚類

          4.1?基于自編碼器(AutoEncoder, AE)的深度聚類

          b80fab5c044109ba16f88f29065ef6c2.webpimage

          參考:Deep Clustering Algorithms - 凱魯嘎吉 - 博客園 (DEC, IDEC, DFKM, DCEC)

          4.2?基于變分自編碼器(Variational AutoEncoder, VAE)的深度聚類

          68cd6e8b8ba56c0aecc88a84da832217.webp

          參考:變分推斷與變分自編碼器,變分深度嵌入(Variational Deep Embedding, VaDE)?,基于圖嵌入的高斯混合變分自編碼器的深度聚類(Deep Clustering by Gaussian Mixture Variational Autoencoders with Graph Embedding, DGG),元學習——Meta-Amortized Variational Inference and Learning,RL——Deep Reinforcement Learning amidst Continual/Lifelong Structured Non-Stationarity - 凱魯嘎吉 - 博客園

          4.3?基于生成對抗網絡(Generative Adversarial Network, GAN)的深度聚類

          d52dffab70482acc23ef334990b62c12.webp

          參考:生成對抗網絡(GAN與W-GAN)?,ClusterGAN: 生成對抗網絡中的潛在空間聚類,雙層優(yōu)化問題:統(tǒng)一GAN,演員-評論員與元學習方法(Bilevel Optimization Problem unifies GAN, Actor-Critic, and Meta-Learning Methods)??- 凱魯嘎吉 - 博客園

          4.4?基于孿生網絡(Siamese Neural Network)/對比學習(Contrastive Learning)的深度聚類

          9de4131c4ab184690d27a13594b7a655.webp

          參考:從對比學習(Contrastive Learning)到對比聚類(Contrastive Clustering),COMPLETER: 基于對比預測的缺失視圖聚類方法?- 凱魯嘎吉 - 博客園

          4.5?基于圖神經網絡(Graph Neural Network)的深度聚類

          1ba7fe8e248d302277b9d891013f3883.webp

          作者:凱魯嘎吉

          轉載來源:(轉載請保留來源)

          http://www.cnblogs.com/kailugaji/

          編輯:算法進階



          文末,個人推薦一個超贊的關于深度聚類的庫(論文+代碼):https://github.com/zhoushengisnoob/DeepClustering


              
                

          推薦閱讀

          全網最全速查表:Python 機器學習
                  搭建完美的Python 機器學習開發(fā)環(huán)境
                    訓練集,驗證集,測試集,交叉驗證
                    
          AI 繪畫,StableDiffusion本地部署
          瀏覽 52
          點贊
          評論
          收藏
          分享

          手機掃一掃分享

          分享
          舉報
          評論
          圖片
          表情
          推薦
          點贊
          評論
          收藏
          分享

          手機掃一掃分享

          分享
          舉報
          <kbd id="afajh"><form id="afajh"></form></kbd>
          <strong id="afajh"><dl id="afajh"></dl></strong>
            <del id="afajh"><form id="afajh"></form></del>
                1. <th id="afajh"><progress id="afajh"></progress></th>
                  <b id="afajh"><abbr id="afajh"></abbr></b>
                  <th id="afajh"><progress id="afajh"></progress></th>
                  婷婷综合久久五月 | 久久婷婷色综合 | 一卡二卡无码 | 大香蕉福利视频 | 日韩高清无码专区 |