サンプル割り当て不変事前分布を用いた深層クラスタリング

最も一般的なクラスタリング手法は、生の画像データを射影空間にマッピングし、そこで従来のk-meansアプローチを使用してクラスタリング割り当てを取得します。本稿では、異なるメトリックを使用して画像サンプルをクラスタに割り当てる際に、共通の不変性が存在するという新しい事前分布を発見しました。簡単に言えば、異なる距離メトリックは、マニフォールド上の柔らかいクラスタリング割り当てを類似させることになります。このような新しい事前分布に基づいて、各データポイントのペアワイズサンプル割り当て間の不一致を最小化する新しいクラスタリング手法を提案します。私たちの知る限り、これはラベルを理想的な表現として扱うアイデアに基づくサンプル割り当て不変事前分布を明らかにする最初の研究かもしれません。さらに、提案された手法は、クラスタリング割り当てと表現を共同で学習する初のエンドツーエンドのクラスタリングアプローチの一つです。広範な実験結果は、提案された手法が4つの評価指標において5つの画像データセット上で16の最先端のクラスタリング手法に対して著しく優れていることを示しています。