論文の概要: Unsupervised Deep Clustering of MNIST with Triplet-Enhanced Convolutional Autoencoders

• arxiv url: http://arxiv.org/abs/2506.10094v1
• Date: Wed, 11 Jun 2025 18:26:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.385845
• Title: Unsupervised Deep Clustering of MNIST with Triplet-Enhanced Convolutional Autoencoders
• Title（参考訳）: トリプルト強化畳み込みオートエンコーダを用いたMNISTの非教師付き深層クラスタリング
• Authors: Md. Faizul Islam Ansari,
• Abstract要約: 本研究は、MNIST手書き桁のための高度な教師なしクラスタリングシステムを実装した。 ディープ・ニューラル・オートエンコーダは、画像の最小でも解釈可能な表現を開発するために、フェーズ1のトレーニングプロセスを必要とする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This research implements an advanced unsupervised clustering system for MNIST handwritten digits through two-phase deep autoencoder architecture. A deep neural autoencoder requires a training process during phase one to develop minimal yet interpretive representations of images by minimizing reconstruction errors. During the second phase we unify the reconstruction error with a KMeans clustering loss for learned latent embeddings through a joint distance-based objective. Our model contains three elements which include batch normalization combined with dropout and weight decay for achieving generalized and stable results. The framework achieves superior clustering performance during extensive tests which used intrinsic measurements including Silhouette Score and Davies-Bouldin Index coupled with extrinsic metrics NMI and ARI when processing image features. The research uses t-SNE visualization to present learned embeddings that show distinct clusters for digits. Our approach reaches an optimal combination between data reconstruction accuracy and cluster separation purity when adding the benefit of understandable results and scalable implementations. The approach creates a dependable base that helps deploy unsupervised representation learning in different large-scale image clustering applications.
• Abstract（参考訳）: 本研究は,2相ディープオートエンコーダアーキテクチャによるMNIST手書き桁の非教師なしクラスタリングシステムを実装した。 ディープ・ニューラル・オートエンコーダは、再構成エラーを最小限に抑えて、画像の最小でも解釈可能な表現を開発するために、フェーズ1のトレーニングプロセスを必要とする。 第2フェーズでは, 連接距離ベースで学習した潜伏埋め込みに対するKMeansクラスタリング損失と再構成誤差を統一する。 本モデルでは, バッチ正規化とドロップアウトと重み減衰を組み合わせた3つの要素を包含し, 一般化および安定な結果を得る。 このフレームワークは、Silhouette ScoreやDavies-Bouldin Indexなど固有の測定値と、画像特徴を処理する際の外部メトリクスNMIとARIを組み合わせた、広範なテストで優れたクラスタリング性能を実現する。 この研究は、t-SNE視覚化を使用して、異なる桁のクラスタを示す学習された埋め込みを提示する。 我々の手法は、理解可能な結果とスケーラブルな実装の利点を追加する際に、データ再構成の精度とクラスタ分離の純度を最適な組み合わせに到達します。 このアプローチは、さまざまな大規模イメージクラスタリングアプリケーションにおいて、教師なし表現学習のデプロイを支援する、信頼性の高いベースを生成する。

関連論文リスト

• Towards Learnable Anchor for Deep Multi-View Clustering [49.767879678193005]
  本稿では,線形時間でクラスタリングを行うDeep Multi-view Anchor Clustering (DMAC)モデルを提案する。 最適なアンカーを用いて、全サンプルグラフを計算し、クラスタリングのための識別的埋め込みを導出する。 いくつかのデータセットの実験では、最先端の競合に比べてDMACの性能と効率が優れていることが示されている。
  論文  参考訳（メタデータ） (2025-03-16T09:38:11Z)
• Autoencoded UMAP-Enhanced Clustering for Unsupervised Learning [49.1574468325115]
  本稿では,低次元空間にデータを非線形に埋め込み,次に従来のクラスタリングアルゴリズムを用いて非教師なし学習を行う手法を提案する。 この埋め込みはデータのクラスタビリティを促進し、オートエンコーダニューラルネットワークのエンコーダとUMAPアルゴリズムの出力の2つのマッピングで構成されている。 MNISTデータに適用した場合、AUECはクラスタリング精度において最先端技術よりも大幅に優れている。
  論文  参考訳（メタデータ） (2025-01-13T22:30:38Z)
• Deep Temporal Contrastive Clustering [21.660509622172274]
  本稿では,時間差の深いクラスタリング手法を提案する。 対照的な学習パラダイムを、ディープ時系列クラスタリング研究に取り入れている。 様々な時系列データセットの実験は、最先端技術に対する我々のアプローチの優位性を実証している。
  論文  参考訳（メタデータ） (2022-12-29T16:43:34Z)
• Deep Image Clustering with Contrastive Learning and Multi-scale Graph Convolutional Networks [58.868899595936476]
  コントラスト学習とマルチスケールグラフ畳み込みネットワーク(IcicleGCN)を用いた画像クラスタリング手法を提案する。 複数の画像データセットの実験は、最先端のIcicleGCNよりも優れたクラスタリング性能を示している。
  論文  参考訳（メタデータ） (2022-07-14T19:16:56Z)
• Large-Scale Hyperspectral Image Clustering Using Contrastive Learning [18.473767002905433]
  SSCC(Spectral-Spatial Contrastive Clustering)という,スケーラブルなオンラインクラスタリングモデルを提案する。 我々は、スペクトル空間拡張プールから二重コントラスト学習を行うために、クラスタ番号の次元を持つ投影ヘッドからなる対称双対ニューラルネットワークを利用する。 結果として得られたアプローチは、バッチワイズ最適化によってエンドツーエンドでトレーニングされ、大規模なデータで堅牢になり、見当たらないデータに対して優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2021-11-15T17:50:06Z)
• Cluster Analysis with Deep Embeddings and Contrastive Learning [0.0]
  本研究は,深層埋め込みから画像クラスタリングを行うための新しいフレームワークを提案する。 提案手法では,クラスタセンターの表現をエンドツーエンドで学習し,予測する。 我々のフレームワークは広く受け入れられているクラスタリング手法と同等に動作し、CIFAR-10データセット上で最先端のコントラスト学習手法より優れています。
  論文  参考訳（メタデータ） (2021-09-26T22:18:15Z)
• Clustering by Maximizing Mutual Information Across Views [62.21716612888669]
  本稿では,共同表現学習とクラスタリングを組み合わせた画像クラスタリングのための新しいフレームワークを提案する。 提案手法は,様々な画像データセットにおける最先端の単一ステージクラスタリング手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-07-24T15:36:49Z)
• Learning to Hash with Graph Neural Networks for Recommender Systems [103.82479899868191]
  グラフ表現学習は、大規模に高品質な候補探索をサポートすることに多くの注目を集めている。 ユーザ・イテム相互作用ネットワークにおけるオブジェクトの埋め込みベクトルの学習の有効性にもかかわらず、連続的な埋め込み空間におけるユーザの好みを推測する計算コストは膨大である。 連続的かつ離散的なコードとを協調的に学習するための,単純かつ効果的な離散表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-04T06:59:56Z)

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。