.png){kind=icon}
返回
CODAC: Constraint-based Deep Active Clustering
.png){kind=icon}
OA
AI
DOI：10.1007/s10618-026-01229-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于约束的深度主动聚类（CODAC）将主动选择的成对约束集成到深度表示学习中，以高效地改进现有的聚类结构，即使在严格的查询预算下也是如此。CODAC将约束信息编码到嵌入中，使得学习到的表示能够泛化到无约束数据，从而在大型数据集上也能快速提升聚类质量。CODAC对数据做出最小假设，并且可以与多种多样的深度聚类模型结合使用。它不需要预先知道聚类数量，即使初始估计严重错误也能有效工作。在多样化的图像、文本和表格数据集上，CODAC始终以比先前最先进方法更少的查询次数获得更高的聚类质量，并且与深度聚类基线相比，仅用100–200次查询就能显著提升聚类质量。
Keyword:
Active clustering
Deep clustering
Constrained clustering
Representation learning
期刊
IF:
4.3
论文数:
221
被引数:
6.0K
机构
引用论文
.png){kind=icon}
Silhouettes: A graphical aid to the interpretation and validation of cluster analysis剪影: 对聚类分析的解释和验证的图形辅助
OAAI
OAAI分享收藏Deep k-Means: Jointly clustering with k-Means and learning representations深度k-means: 使用k-means和学习表示进行联合聚类OAAI
OAAI分享收藏分享收藏Semi-supervised constrained clustering: an in-depth overview, ranked taxonomy and future research directions半监督约束聚类：深入概述、分级分类和未来研究方向OAAI
OAAI分享收藏
查看更多内容