基于高斯混合变分自编码器的深度无监督聚类

我们研究了一种变分自编码器模型（VAE）的变体，该模型以高斯混合分布作为先验分布，旨在通过深度生成模型实现无监督聚类。我们观察到，在常规VAE中已知的过度正则化问题在我们的模型中同样存在，并导致了聚类退化。我们证明了一种称为最小信息约束（Minimum Information Constraint）的启发式方法可以缓解这一效应，从而提高我们模型在无监督聚类中的性能。此外，我们分析了这种启发式方法的效果，并借助可视化手段提供了对其各种过程的直观理解。最后，我们在合成数据、MNIST和SVHN上展示了我们模型的性能，表明所获得的聚类结果具有明显的区分度、可解释性，并且在无监督聚类方面达到了与现有最先进结果相竞争的水平。