التجميع العميق مع k-أوساط المحددة

نُعالج مشكلة تعلُّم تمثيل مميّز عميق وتقسيم كـ-متوسطات (k-means) في آنٍ واحد من بيانات غير مُعلَّمة، وهي مشكلة ذات أهمية بسبب الإمكانات الكامنة في تفوق التجميع العميق (deep k-means) على الاستراتيجيات التقليدية الثنائية الخطوة لاستخراج الميزات والتقسيم السطحي. نحقّق هذا الهدف من خلال تطوير مُقدِّر للانحدار (gradient-estimator) للهدف غير القابل للتفاضل في خوارزمية كـ-متوسطات، باستخدام تقنية إعادة التمثيل Gumbel-Softmax. على عكس المحاولات السابقة في التجميع العميق، يمكن لنموذجنا المُسمى "كـ-متوسطات الملموسة" (concrete k-means) أن يُحسَّن وفقًا للهدف الكلاسيكي لخوارزمية كـ-متوسطات، ويُدرَّس بسهولة بشكل كامل (end-to-end) دون الحاجة إلى استخدام التحسين المتداخل (alternating optimisation). ونُظهِر فعالية طريقتنا على معايير تقليدية لاختبار التجميع.