摘要
在本文中，我们提出了一种新颖的无监督聚类方法，该方法利用通过伪分类目标间接引入的隐藏信息。具体而言，我们为每个观测值随机分配一个伪父类标签，然后通过应用与所分配标签相关的领域特定变换来修改这些标签。生成的伪观测-标签对随后用于训练具有自动聚类输出层（Auto-clustering Output Layer, ACOL）的神经网络，该输出层为每个伪父类引入多个softmax节点。由于基于图活动正则化（Graph-based Activity Regularization, GAR）项的无监督目标，每个父类的softmax副本在训练过程中逐渐专业化，因为通过领域特定变换捕获的隐藏信息在训练过程中得以传播。最终，我们获得了适合k-means聚类的潜在表示。此外，我们展示了所选择的变换类型如何影响性能，并有助于传播揭示未知聚类所需的潜在信息。我们的实验结果表明，在MNIST、SVHN和USPS数据集上的无监督聚类任务中，该方法达到了迄今为止文献中报告的最高精度。