返回
Exploring structural components in autoencoder-based data clustering
DOI:10.1016/j.engappai.2024.109562.png)
摘要
En 中文
聚类是一种基本的机器学习任务,在文献中获得了广泛的关注。传统聚类方法的基本原则是,数据通过各种表示学习技术被学习为向量化的特征。随着数据变得更加复杂,传统聚类方法已无法处理高维数据。多年来,已提出了许多使用深度架构的表示学习策略,尤其是深度无监督学习,因其相对于传统方法的优势。在大多数现有研究中,特别是在基于自编码器的方法中,仅保留了原始数据空间中点对之间的距离信息在潜在空间中。然而,将此与原始数据和潜在空间中的方差和独立分量等附加保留因素相结合是很重要的。此外,模型在噪声条件下的稳定性至关重要。本文提供了一种独特的聚类数据方法,结合自编码器(AE)、主成分分析(PCA)和独立成分分析(ICA)来捕获相关的潜在空间表示。进一步降低维度以改善聚类效果的方法是采用二维降维算法,即PCA和t-分布随机邻域嵌入(t-SNE)。所提出的技术通过利用两种方法的优势,产生更精确和可靠的聚类结果。为了比较所提出方法与常规聚类方法和独立的自编码器的效率,我们在13个真实数据集上进行了全面的实验。结果表明,该方法在解决复杂聚类问题方面具有引人注目的潜力,并且重要的是,即使在噪声条件下也证明了其有效性。
Keyword:
Clustering
Latent space representation
Neural networks
Sammon's stress
Principal Component Analysis
Independent Component Analysis
期刊
IF:
8
论文数:
5.9K
被引数:
4.2W
机构
引用论文
Numerical Method Using Cubic B-Spline for a Strongly Coupled Reaction-Diffusion System基于三次B样条的强耦合反应-扩散系统的数值方法
PLoS ONE
IF0
Structure enhanced deep clustering network via a weighted neighbourhood auto-encoder
NEURAL NETWORKS
IF6.3

