基于自适应半监督深度聚类的方法研究

摘要

深度学习已成为当前计算机研究领域不可或缺的重要方法，不仅适用于分类任务，还能学习聚类友好的特征表示以提高数据聚类性能。然而，现有深度聚类算法受传统聚类算法的框架约束，难以获得最优聚类结果。同时，无监督深度聚类易受低质量伪标签影响，导致聚类效果不佳。本文提出一种新的自适应半监督深度聚类(ASeDC)方法，该方法充分利用少量标记数据，在大量未标记数据中自适应地从高置信度数据中提取信息，以促进半监督聚类。在手写数字识别(MNIST)数据集和Fashion-MNIST数据集上的对比实验表明，ASeDC方法在准确性和各种聚类评估指标(Calinski-Harabaz指数、轮廓系数和Davies-Bouldin指数)方面均优于主流聚类算法[传统K均值(K-means)聚类算法、约束种子K-means聚类算法和无监督深度聚类算法]。

关键词

深度学习 / 自适应半监督学习 / 深度聚类 / 高置信度