拿下TPAMI25！深度聚类重磅突破！

2025深度学习发论文&模型涨点之——深度聚类

• 聚类分析：是一种无监督学习方法，目的是将数据划分为若干个簇（或类别），使得同一簇内的数据相似度较高，而不同簇之间的数据相似度较低。常见的聚类算法有K-Means、层次聚类、DBSCAN等。

• 深度学习：通过构建多层的神经网络结构，自动从数据中学习特征表示，能够处理复杂的非线性关系。例如卷积神经网络（CNN）在图像处理领域表现出色，循环神经网络（RNN）及其变体长短期记忆网络（LSTM）在处理序列数据方面有独特优势。

小编整理了一些深度聚类【论文】合集，以下放出部分，全部论文PDF版皆可领取。

需要的同学

回复“ 深度聚类”即可全部领取

论文精选

论文1：

Gene-SGAN: discovering disease subtypes with imaging and genetic signatures via multi-view weakly-supervised deep clustering

通过多视角弱监督深度聚类发现具有影像和遗传特征的疾病亚型

方法

• 多视角弱监督深度聚类框架：Gene-SGAN结合了影像和遗传数据，通过深度生成对抗网络（GAN）和变分推断（VI）来识别疾病亚型。

  生成对抗网络（GAN）：用于从健康对照组到患者组的多对一映射，捕捉疾病相关的脑部变化模式。

  变分推断（VI）：通过解码神经网络将遗传特征与潜在变量关联起来，确保疾病亚型与遗传特征相关。

  

创新点

• 多视角建模：Gene-SGAN是首个将影像和遗传数据联合建模的多视角深度聚类方法，能够识别与遗传特征相关的疾病亚型。

  疾病亚型识别：通过联合考虑影像和遗传数据，Gene-SGAN能够识别出具有不同神经解剖模式和遗传决定因素的疾病亚型，显著提高了疾病亚型的生物学解释性和临床相关性。

  性能提升：在半合成实验中，Gene-SGAN在训练集和测试集上均表现出良好的聚类准确性，且在不同超参数设置下均能保持稳定性能。与六种现有方法相比，Gene-SGAN在所有情况下均表现出更高的聚类准确性。

  

论文2：

DivClust: Controlling Diversity in Deep Clustering

DivClust：在深度聚类中控制多样性

方法

• 多样性控制损失函数：DivClust通过引入一个新颖的损失函数，控制深度聚类框架中多个聚类结果的多样性。

  多投影头架构：使用单个特征提取器后接多个投影头，每个投影头生成一个聚类结果。

  动态相似性阈值：通过动态调整相似性阈值，确保聚类结果的多样性符合用户定义的目标。

  

创新点

• 多样性控制：DivClust是首个能够显式控制深度聚类框架中聚类结果多样性的方法，能够根据用户定义的目标调整多样性。

  性能提升：在多个数据集和深度聚类框架上，DivClust生成的聚类结果在多样性控制的同时，保持了高质量的聚类性能。

  共识聚类改进：通过共识聚类，DivClust能够生成比单一聚类方法更鲁棒的聚类结果，显著提高了聚类的准确性和鲁棒性。

  

---

论文3：

Multi-Class Cell Detection Using Spatial Context Representation

基于空间上下文表示的多类细胞检测

方法

• 空间统计函数（K-function）：引入Ripley's K-function来描述细胞的空间上下文，捕捉细胞在多类和多尺度下的空间分布。

  多任务学习框架：通过多任务学习框架，联合训练细胞检测、分类和空间上下文预测模块，学习包含空间上下文的细胞表示。

  深度聚类模块：引入深度聚类模块，通过聚类学习伪标签，进一步融合细胞的外观特征和空间上下文特征。

  

创新点

• 空间上下文建模：首次将空间上下文信息显式引入细胞检测和分类任务中，显著提高了分类性能。

  性能提升：在三个不同的癌症数据集（乳腺癌、肺癌和结直肠癌）上，MCSpatNet在细胞检测和分类任务上均优于现有的最先进方法。

  多任务学习：通过多任务学习框架，MCSpatNet能够同时学习细胞的外观特征和空间上下文特征，提高了模型的泛化能力和鲁棒性。

  

---

论文4：

Unsupervised Domain Adaptation via Structurally Regularized Deep Clustering

通过结构化正则化深度聚类实现无监督领域适应

方法

• 结构化正则化深度聚类（SRDC）：提出了一种新的无监督领域适应方法，通过深度聚类直接揭示目标数据的内在判别结构。

  KL散度最小化：通过最小化网络预测标签分布与辅助分布之间的KL散度，实现目标数据的判别聚类。

  结构化源正则化：通过将辅助分布替换为源数据的真实标签分布，实现结构化源正则化。

  

创新点

• 直接揭示目标判别结构：SRDC直接通过目标数据的判别聚类揭示其内在判别结构，避免了传统领域适应方法中可能损害目标数据内在结构的风险。

  性能提升：在多个基准数据集上，SRDC在所有转移任务中均优于现有的最先进方法，特别是在源域和目标域差异较大的任务中，性能提升更为显著。

  结构化正则化：通过结构化源正则化，SRDC能够更好地利用源数据的结构信息，提高目标数据的判别能力。

  

小编整理了深度聚类论文代码合集

需要的同学

回复“深度聚类”即可全部领取