Aprendizagem de Representação Discriminativa para Agrupamento Rápido e Preciso

Clustering profundo visa melhorar o desempenho do agrupamento aprendendo representações poderosas por meio de aprendizado profundo. Apesar de sua superioridade em relação aos algoritmos superficiais convencionais, os métodos baseados em autoencoders são tipicamente prejudicados por uma forte dependência de grandes conjuntos de dados e fases de pré-treinamento computacionalmente dispendiosas. Além disso, frequentemente enfrentam dificuldades para aprender representações suficientemente discriminativas para tarefas de agrupamento complexas. Para preencher essa lacuna, introduzimos um novo framework de agrupamento discriminativo utilizando codificadores Siamese. Ao treinar conjuntamente um codificador Siamese e um módulo de aprendizado discriminativo, nosso método captura simultaneamente características robustas de ampliações de dados e impõe compacidade intra-cluster. Essa otimização dupla resulta em representações altamente discriminativas, o que elimina a necessidade de pré-treinamento enquanto assegura rápida convergência e alta precisão. Experimentos extensivos em múltiplos benchmarks validam a superioridade de nossa abordagem em relação às linhas de base mais avançadas.