SpectralNet: Spectral Clustering Using Deep Neural Networks

SpectralNet

背景

在无监督学习中，谱聚类是一种能够学习非凸流形的方法，然而它有两个局限性：一是可扩展性差，不能适用于数据量较大时场景；二是out-of-sample,即当遇到非训练样本时无法处理。

为了解决上述两个问题，该文提出了一种深度学习的方法SpectralNet. 其要点

1. 该文提出一种受限随机优化的方法（constrained stochastic optimization），随机优化使其能够扩展到大的数据集；限制(constraints)是通过一个输出层实现，将输出保持正交(orthogonal)。
2. 神经网络方法自然将其应用到out-of-sample上。
3. 利用孪生网络(Siamese network)的方法学习样本之间的相似性，获得比传统基于欧式距离的方法更好的效果

神经网络用于谱聚类，分为两个部分，一部分神经网络用于数据降维，即训练得到一个map$F_{\theta }:{\mathbb{R}}^d\to {\mathbb{R}}^k$；另一个部分用于分类，即函数c：$\mathbb R^k \rightarrow {1,2,…,k} $.

整个SpectralNet的训练可分为三个部分：

1. 通过一个孪生网络（Siamese network），利用给定的距离度量，无监督学习affinity
2. 通过无监督学习优化一个谱聚类的目标$F_{\theta }$, 并且保证正交性orthogonality
3. 通过在降维的空间，学习聚类的类别

方法

网络结构

目标是学习一个投射函数$y=F_{\theta }(x)$,使得下列式子最小：
$$L=\mathbb{E}[w(x,x^{\prime })||y-y^{\prime }|{|}^2]$$

其中$y,y^{\prime }\in {\mathbb{R}}^k$, 期望是关于数据集$D$的i.i.d.的元素$(x,x^{\prime })$, $\theta$是元素的参数。
当然，如果F函数将所有的元素map到同样的值，那么损失函数最低，但没有意义，为了防止这种情况，我们要求所有的输出是正交的，即
$$\mathbb{E}[y{y}^T]=I_{k\times k}$$

由于分布$D$未知，我们采用随机选取样本的进行优化，即在每次迭代中，随机选取m个样本，不失一般性，我们有$x_1,...,x_m\in X$, 并且安排他们在$m\times d$的矩阵中，其中第i行包括$x_i^T$, 然后最小化损失

$$L_{SpectralNet}(\theta )=\frac{1}{m^2}\sum _{i,j=1}^m{W}_{i,j}||y_i-y_{}$$