学习笔记,自给自足
文章目录
A Comprehensive Survey on Deep Clustering: Taxonomy, Challenges, and Future Directions
Abstract
聚类是一项基本的机器学习任务,在文献中已经被广泛研究. 经典的聚类方法遵循的假设是,通过各种表征学习技术,将数据以矢量的形式表示为特征. 随着数据变得越来越复杂,浅层(传统)聚类方法已经无法处理高维数据类型. 随着深度学习的巨大成功,特别是深度无监督学习,在过去的十年中,许多具有深度架构的表示学习技术被提出. 一个直接的方法是先学习深度表征,然后再将其输入浅层聚类方法. 然而,这并不理想,原因是:i)表示不是直接为聚类而学习的,这限制了聚类性能. ii)聚类依赖于实例之间的关系,而这种关系是复杂的,而不是线性的. iii)聚类和表示学习是相互依赖的,应该是相互促进的. 为了应对上述挑战,人们提出了深度聚类的概念,即联合优化表征学习和聚类