论文解读(DCN)《Towards K-means-friendly Spaces: Simultaneous Deep Learning and Clustering》

🚀 优质资源分享 🚀

学习路线指引(点击解锁) 知识定位 人群定位
🧡 Python实战微信订餐小程序 🧡 进阶级 本课程是python flask+微信小程序的完美结合,从项目搭建到腾讯云部署上线,打造一个全栈订餐系统。
💛Python量化交易实战💛 入门级 手把手带你打造一个易扩展、更安全、效率更高的量化交易系统

论文信息

论文标题:Towards K-means-friendly Spaces: Simultaneous Deep Learning and Clustering论文作者:Bo Yang, Xiao Fu, Nicholas D. Sidiropoulos, Mingyi Hong论文来源:2016, ICML论文地址:download 论文代码:download

1 Introduction

为了恢复“聚类友好”的潜在表示并更好地聚类数据,我们提出了一种联合 DR (dimensionality reduction) 和 K-means 的聚类方法,通过学习深度神经网络(DNN)来实现 DR。

2 Background and Related Works

2.1 Kmeans

给定样本集 {xi}i=1,…,N{xi}i=1,…,N\left{\boldsymbol{x}_{i}\right}_{i=1, \ldots, N} ,xi∈RMxi∈RM\boldsymbol{x}_{i} \in \mathbb{R}^{M}。聚类的任务是将 NNN 个数据样本分成 KKK 类。

K-Means 优化的是下述损失函数:

minM∈RM×K,{si∈RK} s.t. ∑Ni=1∥xi−Msi∥22sj,i∈{0,1},1Tsi=1∀i,j,(1)minM∈RM×K,{si∈RK}∑i=1N‖xi−Msi‖22 s.t. sj,i∈{0,1},1Tsi=1∀i,j,(1)\begin{array}{l}\underset{\boldsymbol{M} \in \mathbb{R}^{M \times K},\left{\boldsymbol{s}_{i} \in \mathbb{R}^{K}\right}}{\text{min}} \quad & \sum_{i=1}^{N}\left|\boldsymbol{x}_{i}-\boldsymbol{M} \boldsymbol{s}_{i}\right|_{2}^{2} \\text { s.t. } & s_{j, i} \in{0,1}, \mathbf{1}^{T} \boldsymbol{s}_{i}=1 \quad \forall i, j,\end{array}  \quad\quad\quad(1)

其中,

    • sisi\boldsymbol{s}_{i} 是样本 xixix_i 的聚类分配向量;
      • sj,isj,is_{j, i} 是 sisi\boldsymbol{s}_{i} 的第 jjj 个元素;
      • mkmk\boldsymbol{m}_{k} 代表着第 kkk 个
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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