深度学习聚类的综述
共 2744字,需浏览 6分钟
·
2022-12-30 09:01
1. 什么是深度聚类?
经典聚类即数据通过各种表示学习技术以矢量化形式表示为特征。随着数据变得越来越复杂和复杂,浅层(传统)聚类方法已经无法处理高维数据类型。为了解决改问题,深度聚类的概念被提出,即联合优化表示学习和聚类。
2. 从两个视角看深度聚类
![37a8572ca8bf118dfcecbefc8f622a4b.webp](https://filescdn.proginn.com/92952727bb4a770e2233206ecf370418/37a8572ca8bf118dfcecbefc8f622a4b.webp)
3. 从聚类模型看深度聚类
3.1 基于K-means的深度聚类
![b055e4d07502777f73b106ce6104941e.webp](https://filescdn.proginn.com/b888b546868623c8148801d37f18873a/b055e4d07502777f73b106ce6104941e.webp)
参考:聚类——K-means - 凯鲁嘎吉 - 博客园
3.2 基于谱聚类的深度聚类
![e19e1d5298c691eee60e9b02795a565d.webp](https://filescdn.proginn.com/03880674bda3a7eb9c429b4076886abd/e19e1d5298c691eee60e9b02795a565d.webp)
参考:多视图子空间聚类/表示学习(Multi-view Subspace Clustering/Representation Learning) ,关于“On the eigenvectors of p-Laplacian”目标函数的优化问题 - 凯鲁嘎吉 - 博客园
3.3 基于子空间聚类(Subspace Clustering, SC)的深度聚类
![2899ba3b93c76ba38439d67deaf25cce.webp](https://filescdn.proginn.com/72007ff4935be46ac7468f25021a7f07/2899ba3b93c76ba38439d67deaf25cce.webp)
参考:深度多视图子空间聚类,多视图子空间聚类/表示学习(Multi-view Subspace Clustering/Representation Learning),字典更新与K-SVD - 凯鲁嘎吉 - 博客园
3.4 基于高斯混合模型(Gaussian Mixture Model, GMM)的深度聚类
![b9e068b31ec381b28cd599710e0d4dbd.webp](https://filescdn.proginn.com/6fb6b10e46325da0aa55f1fd8c7a2667/b9e068b31ec381b28cd599710e0d4dbd.webp)
参考:聚类——GMM,基于图嵌入的高斯混合变分自编码器的深度聚类(Deep Clustering by Gaussian Mixture Variational Autoencoders with Graph Embedding, DGG) - 凯鲁嘎吉 - 博客园
3.5 基于互信息的深度聚类
![4e759aad8a603d834ea42fa433122f76.webp](https://filescdn.proginn.com/d08ff3cbb0c6fe8e544352b3610f8b63/4e759aad8a603d834ea42fa433122f76.webp)
参考:COMPLETER: 基于对比预测的缺失视图聚类方法,Meta-RL——Decoupling Exploration and Exploitation for Meta-Reinforcement Learning without Sacrifices - 凯鲁嘎吉 - 博客园
3.6 基于KL的深度聚类
![d627f8101c9aa34c6336e0f8d6396874.webp](https://filescdn.proginn.com/eb919a6d4f667e9eede28ca167ca111b/d627f8101c9aa34c6336e0f8d6396874.webp)
参考:Deep Clustering Algorithms ,关于“Unsupervised Deep Embedding for Clustering Analysis”的优化问题,结构深层聚类网络,具有协同训练的深度嵌入多视图聚类 - 凯鲁嘎吉 -博客园
4. 从神经网络模型看深度聚类
4.1 基于自编码器(AutoEncoder, AE)的深度聚类
![b80fab5c044109ba16f88f29065ef6c2.webp](https://filescdn.proginn.com/77b59751536652a42e36739b2a7e7444/b80fab5c044109ba16f88f29065ef6c2.webp)
参考:Deep Clustering Algorithms - 凯鲁嘎吉 - 博客园 (DEC, IDEC, DFKM, DCEC)
4.2 基于变分自编码器(Variational AutoEncoder, VAE)的深度聚类
![68cd6e8b8ba56c0aecc88a84da832217.webp](https://filescdn.proginn.com/4e96e774e58f367051a367e0fcd3d215/68cd6e8b8ba56c0aecc88a84da832217.webp)
参考:变分推断与变分自编码器,变分深度嵌入(Variational Deep Embedding, VaDE) ,基于图嵌入的高斯混合变分自编码器的深度聚类(Deep Clustering by Gaussian Mixture Variational Autoencoders with Graph Embedding, DGG),元学习——Meta-Amortized Variational Inference and Learning,RL——Deep Reinforcement Learning amidst Continual/Lifelong Structured Non-Stationarity - 凯鲁嘎吉 - 博客园
4.3 基于生成对抗网络(Generative Adversarial Network, GAN)的深度聚类
![d52dffab70482acc23ef334990b62c12.webp](https://filescdn.proginn.com/567fbb38a871411f34b1a0cef7cf24cc/d52dffab70482acc23ef334990b62c12.webp)
参考:生成对抗网络(GAN与W-GAN) ,ClusterGAN: 生成对抗网络中的潜在空间聚类,双层优化问题:统一GAN,演员-评论员与元学习方法(Bilevel Optimization Problem unifies GAN, Actor-Critic, and Meta-Learning Methods) - 凯鲁嘎吉 - 博客园
4.4 基于孪生网络(Siamese Neural Network)/对比学习(Contrastive Learning)的深度聚类
![9de4131c4ab184690d27a13594b7a655.webp](https://filescdn.proginn.com/d3ddf53f572bcdce2ad7f050d8151cd4/9de4131c4ab184690d27a13594b7a655.webp)
参考:从对比学习(Contrastive Learning)到对比聚类(Contrastive Clustering),COMPLETER: 基于对比预测的缺失视图聚类方法 - 凯鲁嘎吉 - 博客园
4.5 基于图神经网络(Graph Neural Network)的深度聚类
作者:凯鲁嘎吉
转载来源:(转载请保留来源)
http://www.cnblogs.com/kailugaji/
编辑:算法进阶
文末,个人推荐一个超赞的关于深度聚类的库(论文+代码):https://github.com/zhoushengisnoob/DeepClustering
推荐阅读
全网最全速查表:Python 机器学习搭建完美的Python 机器学习开发环境 训练集,验证集,测试集,交叉验证AI 绘画,StableDiffusion本地部署