Deep embedding network for clustering论文笔记

这篇博客是关于Deep embedding network for clustering的论文笔记。网络结构类似于自动编码器,但损失函数由三部分组成:重构误差、局部保持和组稀疏性。局部保持损失确保数据点与其近邻的距离在新空间中最小化,而组稀疏性损失促进隐藏层表达的块对角化,实现组间稀疏性。通过限制玻耳兹曼机进行预训练,以优化网络权重。
摘要由CSDN通过智能技术生成

论文笔记

网络结构

在这里插入图片描述
和普通autoencoder相似,区别在于损失函数上。

损失函数

损失函数分为三部分,一个是重构误差,和普通的autoencoder一样,就不赘述了;一个用来保持局部分布不变(Locality-preserving);另外一个使隐层表达变得稀疏(Group Sparsity )。

Locality-preserving

在这里插入图片描述
其中, k ( i ) k(i) ki是点 i i i k k k个近邻(即knn算出的邻居), S i j S_{ij} S

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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