Diskriminative Repräsentationslernen für schnelles und genaues Clustering

Deep Clustering zielt darauf ab, die Clustering-Leistung durch das Erlernen leistungsstarker Repräsentationen mittels Deep Learning zu verbessern. Trotz ihrer Überlegenheit gegenüber herkömmlichen flachen Algorithmen werden autoencoder-basierte Methoden typischerweise durch starke Abhängigkeiten von großen Datensätzen und rechenintensive Vortrainingsphasen beeinträchtigt. Außerdem haben sie oft Schwierigkeiten, Repräsentationen zu lernen, die für komplexe Clustering-Aufgaben ausreichend diskriminierend sind. Um diese Lücke zu schließen, stellen wir ein neuartiges diskriminatives Clustering-Framework unter Verwendung von Siamese Encodern vor. Durch das gemeinsame Training eines Siamese Encoders und eines diskriminativen Lernmoduls erfasst unsere Methode gleichzeitig robuste Merkmale aus Datenaugmentierungen und erzwingt eine intra-klusterhafte Kompaktheit. Diese duale Optimierung führt zu hoch diskriminativen Repräsentationen, wodurch das Vortraining überflüssig wird, während gleichzeitig eine schnelle Konvergenz und hohe Genauigkeit sichergestellt werden. Umfangreiche Experimente an mehreren Benchmarks bestätigen die Überlegenheit unseres Ansatzes gegenüber State-of-the-Art-Baselines.