基于概率约束的聚类方法在迁移学习和图像类别发现中的应用

基于神经网络的聚类方法近年来备受关注，特别是提出了一种带约束的聚类公式，用于通过深度学习进行迁移学习和图像类别发现。其核心思想是构建一个带有成对约束的聚类目标函数，该函数可用于训练深度聚类网络；因此，聚类分配及其底层特征表示可以联合进行端到端优化。在本研究中，我们提供了一种新的聚类公式，以解决先前工作在优化更深网络和更大数量类别时的可扩展性问题。所提出的目标准确地最小化了聚类分配相对于成对约束的负对数似然（negative log-likelihood），无需超参数调整，并且在监督学习和无监督迁移学习方面均展示了更好的可扩展性和性能。