Structural Deep Clustering Network

最新推荐文章于 2024-05-23 10:13:16 发布
最新推荐文章于 2024-05-23 10:13:16 发布
阅读量995 收藏 5
点赞数 2
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Faker_Yxt/article/details/106490651
版权
Structural Deep Clustering Network整个模型大概包括三部分：深度神经网络模块，图卷积模块和双重自监督模块。这篇文章写的是聚类算法，但是值得学习的是：它利用传输因子将深度神经网络模块和卷积模块融合深度神经网络模块主要是利用自编码器学习数据自身的特性，损失函数为解码器的重构数据和原始数据之间的误差：图卷积模块主要是将图卷积层学到的GCN特定表征和自编码器学到的特征表征进行结合，然后通过在KNN图上进行传播学习到结构信息。与标准图卷积层不同，我们的图卷积模块为了同时
摘要由CSDN通过智能技术生成

Structural Deep Clustering Network

在这里插入图片描述
整个模型大概包括三部分：深度神经网络模块，图卷积模块和双重自监督模块。
这篇文章写的是聚类算法，但是值得学习的是：它利用传输因子将深度神经网络模块和卷积模块融合

深度神经网络模块主要是利用自编码器学习数据自身的特性，损失函数为解码器的重构数据和原始数据之间的误差：
在这里插入图片描述
图卷积模块主要是将图卷积层学到的GCN特定表征和自编码器学到的特征表征进行结合，然后通过在KNN图上进行传播学习到结构信息。

与标准图卷积层不同，我们的图卷积模块为了同时学习到GCN的表征和自编码器的表征，引入了一个传递算子，它将两个表征进行加权求和：
在这里插入图片描述

双重自监督模块主要有两个作用，一是引入聚类信息来指导模型学习更好的数据表征；二是指导深

最低0.47元/天 解锁文章
Csdn-Yxt
关注
  • 2
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【论文笔记】WWW2020 Structural Deep Clustering Network 结构化的深度聚类网络
Sonya_的博客
02-22 2285
作者： 摘要： 聚类是数据分析中一个基础任务。最近，深度聚类（从深度学习方法中获取到主要的灵感）取得了领先的效果，并且吸引了很多的注意力。目前的深度聚类方法一般通过深度学习强大的表示能力提升聚类的结果，例如，自动编码器表明，对聚类来说学到一个有效的表示是必须的。深度聚类方法的能力在于能够从数据本身抽取出有用的表示，而不是数据的结构，这一点在表示学习中很少受到关注。受到GCN成功编码图结构的...
Structural Deep Clustering Network阅读与翻译
ziqingnian的博客
11-07 2017
文章作者信息： Structural Deep Clustering Network 结构化深度聚类网络 深度聚类算法SDCN，首次将GNN用到聚类上，由北邮、腾讯和清华联合发表在WWW2020上。 Abstract Deep clustering(deep learning approaches)将深度学习强大的表征能力融入到聚类任务中。有效的学习数据的表征是深度聚类的关键。但是现有的工作仅关注数据自身的特性，在学习表征(representation learning)时很少考虑数据的结构。基
深度聚类（Deep Clustering）及其主要分类
最新发布
Frankie0910314的博客
05-23 656
深度聚类（Deep Clustering）: 是指将深度学习技术与传统聚类方法相结合，通过深度神经网络学习数据的高层次表示（特征），然后在这些表示上进行聚类分析。其目标是利用深度学习强大的特征提取和表示能力，改进传统聚类方法在高维、复杂和多模态数据上的表现。
文献阅读（67）TheWebConf2021-Structural Deep Clustering Network
CSDNTianJi的博客
03-07 490
本文是对《Structural Deep Clustering Network》一文的浅显翻译与理解，如有侵权即刻删除。
(SDCN)Structural Deep Clustering Network 2020 WWW
qq_16543881的博客
06-15 3988
问题：当前的深度聚类方法的优势只要是从数据本身中提取有用的表示，而不重视数据的结构信息。本文结合GCN在图结构编码方面的优势，将结构化信息集成到深层聚类中，提出了一种结构化深层聚类网络(SDCN)。具体来说，提出的 SDCN 算法结合了自动编码器和 GCN 算法的优点，采用了一种新颖的传递算子和双重自监督模块。这是第一次将结构化信息明确地应用到深度聚类中。设计了一个传递算子，将自动编码器学习到的表示转移到相应的 GCN 层，并设计了一个双重自监督机制，将这两种不同的深层神经结构统一起来，引导整个模型的更新。
Structural Priors in Deep Neural Networks.pdf
03-31
Structural Priors in Deep Neural Networks Yani Andrew Ioannou Department of Engineering University of Cambridge This dissertation is submitted for the degree of Doctor of Philosophy
Structural Defects Network (SDNET) 2018结构缺陷网络（SDNET）2018-数据集
03-18
SDNET2018是带注释的图像数据集，用于训练，验证和确定基于人工智能的混凝土裂缝检测算法。SDNET2018包含超过56,000张开裂和未开裂的混凝土桥面板，墙壁和...Structural Defects Network (SDNET) 2018_datasets..zip
ANSYS Mechanical APDL Structural Analysis Guide.pdf
11-05
总之，《ANSYS Mechanical APDL Structural Analysis Guide》是工程师和研究人员进行高级结构分析的重要参考资料，提供了深入的理论知识和实践经验，旨在提升用户对ANSYS软件的掌握程度和使用效率。
Deep-Clustering-Network:PyTorch实施“迈向k均值友好空间”
05-28
DCN：深度群集网络 我发现深度集群网络（DCN）的官方实现已过时（ ）。 此存储库是使用PyTorch的DCN的重新实现。 介绍 一项有趣的工作，使用神经网络自动编码器共同执行无监督的降维和聚类。 怎么跑 在这里，我提供了一个关于在MNIST数据集上训练DCN的演示（对应于原始论文的5.2.5节）。 要运行此演示，只需键入以下命令： python mnist.py 致谢 对于感兴趣的任何人，您也可以参考GüntherEder的实现： : ，其中包含有关可重复性的更多详细信息。 实验 我在MNIST数据集上训练了DCN模型，并在论文中将诸如网络结构之类的超参数设置为值。 左图显示了在预训练阶段自动编码器的重构误差，右图显示了训练阶段在NMI和ARI（本文中使用的两个度量）方面的变化。 我得到的最佳NMI结果约为0.65。 包依赖 scikit-lean = = 0.23.1 p
论文笔记：Structural Deep Clustering Network
qq_44015059的博客
06-09 5413
前言 图神经网络已经在很多领域得到了广泛的引用,如计算机视觉,自然语言处理和推荐. 那么,图神经网络能不能提升一些基础机器学习任务(如聚类)的表现呢? 本文首次将GNN用到聚类上,提出了一种基于GNN的深度聚类算法 Structural Deep Clustering Network. 论文链接：https://arxiv.org/abs/2002.01633 github：https://github.com/lxk-yb/SDCN 1.介绍 随着深度学习的突破，神经网络在聚类等许多重要任务上取得了巨大成
Structural Deep Clustering Network 摘要速览
Talk Is Cheap
04-01 750
https://arxiv.org/pdf/2002.01633.pdf Clustering is a fundamental task in data analysis. Recently, deep clustering, which derives inspiration primarily from deep learning approaches, achieves state-of-...
论文阅读03——《Structural Deep Clustering Network》
小吴不会敲代码吧
05-09 129
原文地址：论文阅读03——《Structural Deep Clustering Network》
论文阅读“Structural Deep Clustering Network”（WWW2020）
qq_43497436的博客
04-26 1354
论文标题 Structural Deep Clustering Network 论文作者、链接 作者：Bo, Deyu and Wang, Xiao and Shi, Chuan and Zhu, Meiqi and Lu, Emiao and Cui, Peng 链接：Structural Deep Clustering Network | Proceedings of The Web Conference 2020 Introduction逻辑 论文动机&现有工作存在的问题 （1）
SpectralNet : spectral clustering using deep neural networks
lemontree的博客
08-10 3220
谱聚类是无监督数据分析中的领先且流行的技术。其主要限制之一是频谱嵌入的可扩展性和泛化（即，样本扩展）。在这篇文章中介绍了一种克服上述缺点的谱聚类深度学习方法。文章中的网络称为SpectralNet，学习一个映射，将输入数据点映射到其相关图拉普拉斯矩阵的本征空间中，然后将它们聚类。 文章中的训练好的SpectralNet可以实现将输入点到输出图拉普拉斯矩阵的本征空间的映射，并且实现聚类。训练Spe...
Structural Deep Clustering Network 基于GNN的深度聚类算法 WWW2020
u013602059的专栏
06-17 5053
论文链接：https://arxiv.org/abs/2002.01633 代码与数据集链接：https://github.com/lxk-yb/SDCN 摘要 聚类是数据分析中一个基础任务。最近，深度聚类（从深度学习方法中获取到主要的灵感）取得了领先的效果，并且吸引了很多的注意力。目前的深度聚类方法一般通过深度学习强大的表示能力提升聚类的结果，例如，自动编码器表明，对聚类来说学到一个有效的表示是必须的。深度聚类方法的要点一般在于能够从数据本身抽取出有用的表示，而不是数据的结构，这（因此数据的结构）在表示.
Structural Deep Network Embedding——paper 笔记
wang2008start的专栏
07-31 717
简述论文思想：利用节点之间的关系 拉普拉斯矩阵 学习局部结构信息 ，描述图的一阶相似性；利用 AutoEncoder  encoder和decoder的输入输出的差异学习图的整体结构信息，描述图的二阶相似性。 ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值