摘要
我们研究了从无标签数据中同时学习k-means聚类与深度特征表示的问题，该问题具有重要意义，因为深度k-means有望超越传统的两阶段特征提取与浅层聚类策略。为此，我们通过引入Gumbel-Softmax重参数化技巧，提出了一种针对不可微k-means目标函数的梯度估计器。与以往深度聚类方法不同，我们的基于具体（concrete）分布的k-means模型能够直接优化标准k-means目标函数，并可实现端到端的高效训练，无需采用交替优化策略。我们在标准聚类基准上验证了所提方法的有效性。
我们研究了从无标签数据中同时学习k-means聚类与深度特征表示的问题，该问题具有重要意义，因为深度k-means有望超越传统的两阶段特征提取与浅层聚类策略。为此，我们通过引入Gumbel-Softmax重参数化技巧，提出了一种针对不可微k-means目标函数的梯度估计器。与以往深度聚类方法不同，我们的基于具体（concrete）分布的k-means模型能够直接优化标准k-means目标函数，并可实现端到端的高效训练，无需采用交替优化策略。我们在标准聚类基准上验证了所提方法的有效性。