DivClust : Contrôle de la diversité dans le clustering profond

Le clustering a été un sujet de recherche majeur dans le domaine de l'apprentissage automatique, un domaine auquel l'apprentissage profond a récemment été appliqué avec un succès significatif. Cependant, un aspect du clustering qui n'est pas abordé par les méthodes de clustering profond existantes est celui de produire efficacement plusieurs partitionnements divers pour un ensemble de données donné. Cela est particulièrement important, car un ensemble diversifié de clusterings de base est nécessaire pour le clustering par consensus, qui a été trouvé pour produire de meilleurs résultats plus robustes que de s'appuyer sur un seul clustering. Pour combler cette lacune, nous proposons Div-Clust, une perte de contrôle de la diversité qui peut être incorporée dans les cadres de clustering profond existants pour produire plusieurs clusterings avec le degré de diversité souhaité. Nous menons des expériences avec plusieurs ensembles de données et cadres de clustering profond et montrons que : a) notre méthode contrôle efficacement la diversité à travers les cadres et les ensembles de données avec un coût computationnel supplémentaire très faible, b) les ensembles de clusterings appris par DivClust incluent des solutions qui surpassent significativement les références de clustering unique, et c) en utilisant un algorithme de clustering par consensus standard, DivClust produit des solutions de clustering par consensus qui surpassent constamment les références de clustering unique, améliorant effectivement la performance du cadre de clustering profond de base. Le code est disponible sur https://github.com/ManiadisG/DivClust.