Sequential deep embedded clustering with dynamic autoencoder

Hasna AlSaeed

doi:10.1007/s11042-026-21953-9

2026-11-13

PRE

Hasna AlSaeed *

Riadh Ksantini

Faisal AlKhateeb

DOI：10.1007/s11042-026-21953-9

原文链接

摘要

En 中文

基于自动编码器的深度嵌入聚类（DEC）方法通过联合学习潜在表示和聚类分配，相比传统聚类算法表现出更强的性能。然而，当应用于复杂或高维数据时，DEC模型容易产生特征随机性（FR）和特征漂移（FD），导致学习到的表示不稳定并降低聚类质量。动态自动编码器（DynAE）通过动态目标函数缓解这一权衡，逐渐将学习重点从重构转向聚类。尽管在静态数据上有效，DynAE未设计用于捕捉时序依赖性，因此在处理时间序列或多变量信号等序列数据时表现不佳。为解决此局限，我们提出了一种序列深度嵌入聚类框架，称为长短期记忆动态自动编码器（LSTM-DynAE），将基于LSTM的自动编码器整合到DynAE范式中。该模型分为两个阶段：预训练阶段，LSTM自动编码器学习具有时序感知的潜在表示；聚类阶段，动态损失函数逐步从重构驱动的探索过渡到聚类驱动的开发。此设计使LSTM-DynAE能够建模序列数据，同时应用源自DynAE的动态优化机制管理FR–FD权衡。我们在五个基准序列数据集上评估LSTM-DynAE，并与现有的序列和非序列深度聚类基线进行比较。实验结果表明，LSTM-DynAE的聚类性能优于所有评估基线，准确率（Acc）最高达97%，归一化互信息（NMI）达95%，且训练过程中表现出良好的FR-FD行为。这些发现表明，LSTM-DynAE是处理所评估序列数据集的有效深度嵌入聚类方法。

Keyword:

Deep embedded clustering

Autoencoder

LSTM

Sequential clustering

Dynamic-autoencoder