تعلم التمثيلات الكامنة في الشبكات العصبية للتجميع من خلال الإشراف الوهمي وتنظيم النشاط القائم على الرسم البياني

في هذا البحث، نقترح نهجًا جديدًا للتصنيف التجميعي غير المشرف يستغل المعلومات الخفية التي يتم تقديمها بشكل غير مباشر من خلال هدف تصنيف وهمي. بوجه خاص، نقوم بتعيين تسمية فئة أب وهمية عشوائيًا لكل ملاحظة، والتي يتم تعديلها بعد ذلك عن طريق تطبيق التحويل المرتبط بالمنطقة والمحدد حسب التسمية المعينة. يتم استخدام الأزواج الوهمية للملاحظات والتسميات الناتجة لتدريب شبكة عصبية تحتوي على طبقة إخراجية ذات تصنيف ذاتي (Auto-clustering Output Layer - ACOL)، حيث يتم إدخال عدة عقد Softmax لكل فئة أب وهمية. نتيجةً للهدف غير المشرف المستند إلى شروط التنظيم النشاط الرسومي (Graph-based Activity Regularization - GAR)، فإن نسخ Softmax لكل فئة أب تتخصص أثناء التدريب مع انتشار المعلومات الخفية التي تم التقاطها بمساعدة التحويلات المرتبطة بالمنطقة. في النهاية، نحصل على تمثيل خفي صديق لـ k-means. بالإضافة إلى ذلك، نوضح كيف يؤثر نوع التحويل المختار على الأداء وكيف يساعد في انتشار المعلومات الخفية التي تكون مفيدة في كشف التجمعات غير المعروفة. تظهر نتائجنا أفضل الأداء حتى الآن للأهداف التجميعية غير المشرفة على مجموعات البيانات MNIST وSVHN وUSPS، مع أعلى الدقائق المبلغ عنها حتى الآن في الأدبيات العلمية.