論文の概要: A Comprehensive Survey on Deep Clustering: Taxonomy, Challenges, and
Future Directions
- arxiv url: http://arxiv.org/abs/2206.07579v1
- Date: Wed, 15 Jun 2022 15:05:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-16 12:41:00.027183
- Title: A Comprehensive Survey on Deep Clustering: Taxonomy, Challenges, and
Future Directions
- Title(参考訳): 深層クラスタリングに関する包括的調査 : 分類学,課題,今後の方向性
- Authors: Sheng Zhou, Hongjia Xu, Zhuonan Zheng, Jiawei Chen, Zhao li, Jiajun
Bu, Jia Wu, Xin Wang, Wenwu Zhu, Martin Ester
- Abstract要約: クラスタリングは、文献で広く研究されている基本的な機械学習タスクである。
ディープクラスタリング(Deep Clustering)、すなわち表現学習とクラスタリングを共同で最適化する手法が提案され、コミュニティで注目を集めている。
深層クラスタリングの本質的なコンポーネントを要約し、深層クラスタリングと深層クラスタリングの相互作用を設計する方法によって既存の手法を分類する。
- 参考スコア(独自算出の注目度): 48.97008907275482
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Clustering is a fundamental machine learning task which has been widely
studied in the literature. Classic clustering methods follow the assumption
that data are represented as features in a vectorized form through various
representation learning techniques. As the data become increasingly complicated
and complex, the shallow (traditional) clustering methods can no longer handle
the high-dimensional data type. With the huge success of deep learning,
especially the deep unsupervised learning, many representation learning
techniques with deep architectures have been proposed in the past decade.
Recently, the concept of Deep Clustering, i.e., jointly optimizing the
representation learning and clustering, has been proposed and hence attracted
growing attention in the community. Motivated by the tremendous success of deep
learning in clustering, one of the most fundamental machine learning tasks, and
the large number of recent advances in this direction, in this paper we conduct
a comprehensive survey on deep clustering by proposing a new taxonomy of
different state-of-the-art approaches. We summarize the essential components of
deep clustering and categorize existing methods by the ways they design
interactions between deep representation learning and clustering. Moreover,
this survey also provides the popular benchmark datasets, evaluation metrics
and open-source implementations to clearly illustrate various experimental
settings. Last but not least, we discuss the practical applications of deep
clustering and suggest challenging topics deserving further investigations as
future directions.
- Abstract(参考訳): クラスタリングは、文献で広く研究されている基本的な機械学習タスクである。
古典的なクラスタリング手法は、データは様々な表現学習技術を通じてベクトル化された形式で特徴として表現されるという仮定に従う。
データがますます複雑で複雑になるにつれて、浅い(伝統的な)クラスタリング手法はもはや高次元のデータタイプを扱えない。
ディープラーニング、特に深層教師なし学習の大きな成功により、深層アーキテクチャを用いた多くの表現学習技術が過去10年間に提案されてきた。
近年,Deep Clusteringの概念,すなわち表現学習とクラスタリングの協調最適化が提案され,コミュニティの注目を集めている。
クラスタリングにおけるディープラーニングの成功と、最も基本的な機械学習タスクの1つ、そして、この方向の最近の多くの進歩に動機づけられ、本稿では、異なる最先端アプローチの新しい分類法を提案することによって、深層クラスタリングに関する包括的な調査を行う。
本稿では,深層クラスタリングの基本コンポーネントを要約し,深層表現学習とクラスタリング間のインタラクションを設計する手法を用いて既存手法を分類する。
さらに、この調査は人気のあるベンチマークデータセット、評価メトリクス、オープンソース実装を提供し、さまざまな実験的な設定を明確に示す。
最後に、深層クラスタリングの実践的応用について議論し、今後の方向性としてさらなる調査を継続する課題を提案する。
関連論文リスト
- A Survey on Deep Clustering: From the Prior Perspective [9.628838389364864]
この調査は、6種類の事前知識に分類することで、ディープクラスタリング手法の包括的なレビューを提供する。
広範に使われている5つのデータセットのベンチマークを提供し、様々な先行する手法のパフォーマンスを分析する。
論文 参考訳(メタデータ) (2024-06-28T02:18:16Z) - Snapshot Spectral Clustering -- a costless approach to deep clustering
ensembles generation [0.0]
本稿では,新しいディープ・クラスタリング・アンサンブル法であるSnapshot Spectral Clusteringを提案する。
アンサンブルを作成する際の計算コストを最小化しながら、複数のデータビューを組み合わせることで得られる利益を最大化するように設計されている。
論文 参考訳(メタデータ) (2023-07-17T16:01:22Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳(メタデータ) (2023-01-30T12:38:31Z) - Deep Clustering: A Comprehensive Survey [53.387957674512585]
クラスタリング分析は、機械学習とデータマイニングにおいて必須の役割を果たす。
ディープ・クラスタリングは、ディープ・ニューラルネットワークを使ってクラスタリングフレンドリーな表現を学習することができるが、幅広いクラスタリングタスクに広く適用されている。
ディープクラスタリングに関する既存の調査は、主にシングルビューフィールドとネットワークアーキテクチャに焦点を当てており、クラスタリングの複雑なアプリケーションシナリオを無視している。
論文 参考訳(メタデータ) (2022-10-09T02:31:32Z) - DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep
Neural Networks [53.88811980967342]
本稿では,Ensembles (DeepCluE) を用いたDeep Clusteringを提案する。
ディープニューラルネットワークにおける複数のレイヤのパワーを活用することで、ディープクラスタリングとアンサンブルクラスタリングのギャップを埋める。
6つの画像データセットの実験結果から、最先端のディープクラスタリングアプローチに対するDeepCluEの利点が確認されている。
論文 参考訳(メタデータ) (2022-06-01T09:51:38Z) - A Survey of Evolutionary Multi-Objective Clustering Approaches [0.0]
進化的多目的クラスタリングの一般的なアーキテクチャで提案される特徴と構成要素に基づいてアルゴリズムを解析する。
新しいアプローチを設計したり、既存のものを選択したり使用する際には、特定のクラスタリングプロパティ以外にこれらの側面を観察することが不可欠です。
論文 参考訳(メタデータ) (2021-10-15T13:53:12Z) - A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。
この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。
ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
論文 参考訳(メタデータ) (2021-05-26T14:37:07Z) - Deep Learning for Community Detection: Progress, Challenges and
Opportunities [79.26787486888549]
この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
論文 参考訳(メタデータ) (2020-05-17T11:22:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。