非对称卷积编码器的聚类算法

无监督聚类是机器学习的重要分支，根据数据自身的相似性揭示数据内部的隐藏结构。传统的聚类算法如K均值(K-means)[1-2]、高斯混合模型GMM (Gaussian mixture model)[3]、基于密度的聚类算法DBSCAN (density-based spatial clustering of applications with noise)[4]等简单易实现，得到广泛应用。但在图像、文本、语音等高维且无结构的数据上容易发生维度灾难，且需要为每个数据集和任务人工设计特征，从而使聚类性能大打折扣。主成分分析法(principal component analysis，PCA)[5]对高维数据进行降维并提取特征，其线性表征能力在应对某些特殊分布的数据时效果不佳。基于非监督学习的自编码器(auto-encoder，AE)[6-7]通过多层复合映射能得到数据的非线性特征。自编码器将原始高维数据映射到低维特征空间，在该空间中更容易依据特征的分布形态执行聚类分析。

深度聚类是用深度神经网络进行表征学习和聚类指派的过程，通常卷积神经网络(convolutional neural networks，CNN)[8]或堆叠自编码器自适应地学习特征表示，再使用传统聚类算法完成聚类指派。此类方法与非深度聚类算法相比，在基准测试图像数据集上都获得了较好的性能。而AE由此不断发展为稀疏自动编码器(sparse auto-encoder)[9-10]、降噪自动编码器(denoising auto-encoder)[11-12]以及卷积自动编码器(convolutional auto-encoder，CAE)[13]。

现有的聚类方法大多侧重于建模实例之间的相似或相异关系，而忽略了提取更有效的表示ÿ

最后

以上就是专一小刺猬为你收集整理的非对称卷积编码器的聚类算法的全部内容，希望文章能够帮你解决非对称卷积编码器的聚类算法所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。