采用双重去偏对比学习的深度嵌入子空间聚类

摘要

深度嵌入子空间聚类的目的是从深度表示学习中重新定义子空间基，进而增强深度神经网络的表示学习。然而对于大多数现有的深度嵌入子空间聚类方法来说，如何学习一个能更有效地将相同类的数据聚集在一起，不同类的数据尽可能分开的嵌入表示仍然是一个巨大的挑战。于是提出了一种采用双重去偏对比学习的深度嵌入子空间聚类，该框架将子空间聚类、嵌入聚类和对比聚类技术无缝地结合在一起。为了尽可能多地保留原始数据的细节信息，首先提出了一种基于自动编码器的双重增强数据重构策略。另外，为了解决假阴性样本的问题，即来自与锚点相同类的点被错误地分类为负样本，引入了双重去偏对比损失。这种损失重新考虑了多个样本之间的相似性关系，从而减少了假阴性对学习数据嵌入的影响，同时增加了真阳性的数量。该算法通过联合优化双重重构损失、去偏对比损失、子空间基约束损失和基于Kullback-Leibler散度的聚类损失来训练网络权值，以获得更有区别性的特征表示。在多种典型数据集上进行了广泛实验，验证了该方法的有效性及其相对于现有聚类算法的优越性。

关键词

深度嵌入子空间聚类 / 双重去偏对比学习 / 表示学习 / 数据增强