Unsupervised Deep Embedding for Clustering Analysis论文介绍

最新推荐文章于 2024-10-10 17:25:44 发布

SCS199411

最新推荐文章于 2024-10-10 17:25:44 发布

阅读量5.8k

点赞数 2

分类专栏：深度学习文章标签：深度学习无监督学习聚类

原文链接：https://blog.csdn.net/Weyoung_/article/details/79407651

版权

深度学习专栏收录该内容

10 篇文章 1 订阅

订阅专栏

Unsupervised Deep Embedding for Clustering Analysis

1.Introduction

聚类在无监督机器学习中由这几个方面进行了研究：如何定义一个类？什么是正确的距离矩阵？如何对数据进行有效聚类？如何验证聚类结果？至今已有许多工作致力于距离函数与嵌入方法的研究，用于执行聚类的特征空间无监督学习的的研究工作还比较少。对于所有最简单的图像数据集，使用欧氏距离的聚类完全失效。本文希望找到一种方案，可以联合解决特征空间学习与聚类关系判别。

本文定义了一个由数据空间X到低维特征空间Z的参数化非线性映射，在低维空间优化聚类目标。此前的工作在数据空间或是浅层线性嵌入空间上进行操作，本文在聚类目标上采用反向传播的SGD来学习映射，该映射被深度神经网络进行了参数化，被称为DEC。

如何优化DEC？本文希望同时解决聚类分配与潜在特征表示的学习，然而无法通过标签数据训练DNN。因此本文提出使用目前的soft cluster assignment派生出的辅助目标分布来迭代细化聚类。这个过程可以同时改进聚类与特征表示。

2.Related work

有些方法可以拥有解决一系列问题，但是它们的距离矩阵限于初始数据空间，当输入维度过高时，它们会变得没有效果。

还有一些方法为了解决高维输入空间的问题：首先使用k-means聚类数据，然后将数据投影到低维使之类间差异最大化。这种框架受限于线性嵌入。

最小化数据分布与嵌入分布间的Kullback-Leibler (KL) divergence被用于数据可视化与降维，例如t-SNE，是一个非参数的方法，其参数化变种通过DNN来参数化embedding。

我们定义了基于质心的概率分布，并最小化其与辅助目标分布的KL偏差，以同时改进聚类分配和特征表示，而不是最小化KL散度以产生忠实于原始数据空间中的距离的嵌入。

3.Deep embedded clustering

考虑 $n$ 个点的聚类问题，将划分为 $k$ 个类， $j = 1, 2 \dots \dots k$ 表示 $k$ 个聚类中心。并非直接在聚类空间X中聚类，我们首先将数据使用非线性映射: $X \to Z$ ， $\theta$ 是学习到的参数， $Z$ 是潜在特征空间。 $Z$ 的维度一般来说要比 $X$ 小的多。使用DNN来参数化。

DEC算法同时学习特征空间 $Z$ 的 $k$ 个聚类中心和用于映射的参数θ。DEC有两个阶段：(1)使用deep autoencoder初始化参数 (2)参数优化(聚类)，该过程中，本文在计算辅助目标分布于最小化KL之间交替进行。本文从参数优化过程开始阐述，给定 $\theta$ 与参数中心 $\mu$ 的初始估计。

3.1 通过 KL divergence 聚类

给定 $\theta$ 与参数中心 $u$ 的初始估计，本文提出使用分两步迭代进行的非监督算法来改进聚类。第一步：计算嵌入点与聚类中心间的soft assignment（当某点与某聚类中心依概率符合分布时，将其分配给该中心）；第二步：更新映射，通过从"使用辅助目标分布的高自信assignments"中学习来细化聚类中心。这个过程直到某种收敛准则符合而停止。

3.1.1 SOFT ASSIGNMENT

本文使用学生 $t$ -分布作为kernel来衡量嵌入点 $z_i$ 与中心点 $\mu_j$ 的相似性：
在这里插入图片描述
其中，对应于的嵌入点， $\alpha$ 是 $t$ 分布的自由度，可以解释为将样本 $i$ 分配给聚类 $j$ 的概率（soft assignment）。因为在非监督学习中无法交叉验证 $\alpha$ ，所以没必要学习它，统一设置为1。

PS:软分配概念

3.1.2 KL DIVERGENCE MINIMIZATION

在辅助目标函数的帮助下，本文从高自信assignments中学习，迭代精炼聚类。本文模型通过将soft assignment与目标分布进行匹配来进行训练。为实现该目的，本文将目标函数设置为soft assignments与辅助分布之间的KL divergence损失：
在这里插入图片描述
目标分布P的选择对于DEC的表现来说至关重要。一般做法是将每个 $p_i$ 设置为高于置信度阈值的数据点的delta分布（到最近的质心），并忽略其余部分。然而，由于 $q_i$ 是soft assignments，因此随 $q_i$ 使用softer probabilistic targets是一件自然而然的选择。本文希望target distribution具有以下性质：（1）强化预测，（2）更加重视高可信度地分配的数据点，（3）规范每个质心的损失贡献，以防止大类扭曲隐藏的特征空间。

本文实验通过首先将 $q_i$ 提高到第次幂然后按每个簇的频率归一化来计算 $p_i$ ：
在这里插入图片描述
其中， $f_j=\sum_i q_{ij}$ 是软聚类频率。

3.1.3 OPTIMIZATION

本文联合优化聚类中心 $u_j$ 和DNN的参数 $\theta$ （通过动量SGD）。L的梯度与数据点 $z_i$ 的嵌入特征空间和每个聚类中心 $u_j$ 有关，如下计算：
在这里插入图片描述

梯度 $\frac{\partial L}{\partial z_i}$ 随后被传递给DNN，用于标准反向传播来计算DNN的参数梯度 $\frac{\partial L}{\partial \theta}$ 为了发现聚类分配的目的，本文设置当少于总量的tol%数据点在连续迭代间改变其所属类时停止优化。