무엇과 어떻게: 이중 메모리를 통한 일반화 평생 스펙트럼 군집화

스펙트럼 군집화(SC)는 가장 널리 채택되는 군집 알고리즘 중 하나가 되었으며 다양한 응용 프로그램에 성공적으로 적용되었습니다. 본 연구에서는 일반화 평생 스펙트럼 군집화(GL²SC)라는 평생 학습 프레임워크에서 스펙트럼 군집화 문제를 탐색합니다. 고정된 스펙트럼 군집화 작업 세트에 집중하고 새로운 군집 작업을 효율적으로 통합할 수 없는 대부분의 현재 연구와는 달리, 본 연구의 목표는 과거 작업에서 “무엇”과 “어떻게” 평생 학습하여 새로운 스펙트럼 군집 작업에 대한 일반화된 모델을 구축하는 것입니다. “평생 학습할 내용”에 관한 GL²SC 프레임워크는 깊은 직교 분해 방식의 이중 메모리 메커니즘을 포함합니다: 직교 기저 메모리는 학습된 작업 간의 숨겨진 계층적 군집 중심을 저장하고, 특징 임베딩 메모리는 여러 관련 작업 간의 깊은 다양체 표현을 캡처합니다. 새로운 군집 작업을 학습할 때, 여기서 “평생 학습하는 방법”에 대한 직관은 GL²SC가 이중 메모리 메커니즘에서 내재적 지식을 전이하여 작업별 인코딩 행렬을 얻을 수 있다는 것입니다. 그런 다음 인코딩 행렬은 시간이 지남에 따라 이중 메모리를 재정의하여 향후 작업을 학습할 때 최대 혜택을 제공하고, 반대로 이전 작업의 성능을 극대화할 수 있습니다. 이를 달성하기 위해, GL²SC 모델을 푸는 수렴 보장이 있는 대체 최적화 공식을 제안합니다. 마지막으로, 여러 벤치마크 데이터 세트에 대한 실증 비교는 여러 최첨단 군집 모델과 비교하여 GL²SC의 효과를 보여줍니다.