التجميع العميق باستخدام الترميز التلقائي الديناميكي: من إعادة الإنشاء إلى بناء النماذج المركزة

في التعلم غير المشرف، لا توجد دالة تكلفة واضحة ومباشرة يمكنها أن تلتقط العوامل الرئيسية للتغيرات والتشابهات. نظرًا لأن الأنظمة الطبيعية لديها ديناميكيات سلسة، فإن فرصة تضيع إذا ظلت دالة الهدف غير المشرفة ثابتة خلال عملية التدريب. عدم وجود إشراف ملموس يشير إلى أنه يجب دمج الديناميكيات السلسة. بالمقارنة مع الدوال الثابتة التقليدية للتكلفة، فإن الدوال الديناميكية للهدف تسمح باستخدام أفضل للمعرفة التدريجية والغير مؤكدة التي يتم اكتسابها من خلال الإشراف الوهمي (Pseudo-supervision). في هذا البحث، نقترح النموذج الجديد للكلاستيرينغ العميق المسمى "الآوتوكودر الديناميكي" (DynAE)، والذي يتجاوز التنازل بين الكلاستيرينغ وإعادة البناء من خلال القضاء تدريجيًا وسلسًا على دالة الهدف لإعادة البناء لصالح بناء واحدة. تقييمات التجارب على مجموعات بيانات معيارية أظهرت أن نهجنا حقق نتائج رائدة مقارنة بأهم طرق الكلاستيرينغ العميق ذات الصلة.