来源:机器学习算法与Python实战
本文约1200字,建议阅读5分钟
本文对现有的深度聚类算法进行全面综述与总结。
这篇博客对现有的深度聚类算法进行全面综述与总结。现有的深度聚类算法大都由聚类损失与网络损失两部分构成,博客从两个视角总结现有的深度聚类算法,即聚类模型与神经网络模型。
经典聚类即数据通过各种表示学习技术以矢量化形式表示为特征。随着数据变得越来越复杂和复杂,浅层(传统)聚类方法已经无法处理高维数据类型。为了解决改问题,深度聚类的概念被提出,即联合优化表示学习和聚类。
参考:聚类——K-means - 凯鲁嘎吉 - 博客园
参考:多视图子空间聚类/表示学习(Multi-view Subspace Clustering/Representation Learning) ,关于“On the eigenvectors of p-Laplacian”目标函数的优化问题 - 凯鲁嘎吉 - 博客园。
参考:深度多视图子空间聚类,多视图子空间聚类/表示学习(Multi-view Subspace Clustering/Representation Learning),字典更新与K-SVD - 凯鲁嘎吉 - 博客园。
参考:聚类——GMM,基于图嵌入的高斯混合变分自编码器的深度聚类(Deep Clustering by Gaussian Mixture Variational Autoencoders with Graph Embedding, DGG) - 凯鲁嘎吉 - 博客园
参考:COMPLETER: 基于对比预测的缺失视图聚类方法,Meta-RL——Decoupling Exploration and Exploitation for Meta-Reinforcement Learning without Sacrifices - 凯鲁嘎吉 - 博客园。
参考:Deep Clustering Algorithms ,关于“Unsupervised Deep Embedding for Clustering Analysis”的优化问题,结构深层聚类网络,具有协同训练的深度嵌入多视图聚类 - 凯鲁嘎吉 -博客园。
image
参考:Deep Clustering Algorithms - 凯鲁嘎吉 - 博客园 (DEC, IDEC, DFKM, DCEC)。
参考:变分推断与变分自编码器,变分深度嵌入(Variational Deep Embedding, VaDE) ,基于图嵌入的高斯混合变分自编码器的深度聚类(Deep Clustering by Gaussian Mixture Variational Autoencoders with Graph Embedding, DGG),元学习——Meta-Amortized Variational Inference and Learning,RL——Deep Reinforcement Learning amidst Continual/Lifelong Structured Non-Stationarity - 凯鲁嘎吉 - 博客园。
参考:生成对抗网络(GAN与W-GAN) ,ClusterGAN: 生成对抗网络中的潜在空间聚类,双层优化问题:统一GAN,演员-评论员与元学习方法(Bilevel Optimization Problem unifies GAN, Actor-Critic, and Meta-Learning Methods) - 凯鲁嘎吉 - 博客园。
参考:从对比学习(Contrastive Learning)到对比聚类(Contrastive Clustering),COMPLETER: 基于对比预测的缺失视图聚类方法 - 凯鲁嘎吉 - 博客园。
转载来源:(转载请保留来源)
http://www.cnblogs.com/kailugaji/
文末,个人推荐一个超赞的关于深度聚类的库(论文+代码):
https://github.com/zhoushengisnoob/DeepClustering
编辑:于腾凯
校对:杨学俊