(论文翻译)AutoEncoder 聚类算法 - DEPICT

DEPICT是一种深度嵌入正则化聚类算法,结合卷积自动编码器和相对熵最小化。通过交替学习步骤优化目标函数,使用去噪自动编码器和反卷积层以捕捉非线性特征,防止过拟合。论文提出Clean Encoder和Noisy Encoder,共同用于数据重构和聚类分配。实验展示了DEPICT的有效性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Deep Clustering via Joint Convolutional Autoencoder Embedding and Relative Entropy Minimization

论文地址1:
http://openaccess.thecvf.com/content_iccv_2017/html/Dizaji_Deep_Clustering_via_ICCV_2017_paper.html
论文地址2:
https://arxiv.org/abs/1704.06327

Abstract

—————————-略—————————-

1. Introduction

—————————-略—————————-

—————————-略—————————-

3. Deep Embedded Regularized Clustering

3.1. DEPICT Algorithm

有N个样本 X={ x1,..,xn} X = { x 1 , . . , x n } ,将其分为K个类别,其中每个样本 xidx x i ∈ R d x 。原始样本对应的映射子空间(embedding subspace) Z={ z1,...,zn} Z = { z 1 , . . . , z n } ,其中每个样本 zidz z i ∈ R d z 的维度要远小于原始样本(i.e. dzdx d z ≪ d x )。给定映射函数,我们使用多目标LR(Softmax) fθ:ZY f θ : Z → Y 来预测其属于各个簇的概率:

pik=P(yi=k|zi,Θ)=exp(θTkzi)Kk=1exp(θTkzi),(1) (1) p i k = P ( y i = k | z i , Θ ) = exp ⁡ ( θ k T z i ) ∑ k ′ = 1 K exp ⁡ ( θ k ′ T z i ) ,

其中 Θ={ θ1,...,θk}dz×K Θ = { θ 1 , . . . , θ k } ∈ R d z × K 为Softmax的参数, pik p i k 表示第 i i 个样本属于第 k 个簇的概率。
为了定义我们的聚类目标函数,我们使用辅助目标变量Q来迭代地修正模型预测。 为此,我们首先使用Kullback-Leibler(KL)散度来减小模型预测P和目标变量Q之间的距离。
=KL(QP)=1N
评论 2
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