摘要
深度聚类算法通过联合优化聚类损失与非聚类损失，将表示学习与聚类过程相结合。在这些方法中，通常采用深度神经网络进行表示学习，并辅以聚类网络。然而，不同于上述框架以提升聚类性能为目标，本文提出一种更为简洁的方法：通过优化自编码器所学习到的潜在表示的纠缠度（entanglement）来实现聚类。我们定义纠缠度为同一类别或结构中点对之间的相对紧密程度，相较于不同类别或结构之间的点对。为衡量数据点的纠缠度，我们采用软最近邻损失（soft nearest neighbor loss），并引入退火温度（annealing temperature）因子对其进行扩展。实验结果表明，采用该方法在MNIST数据集上的测试聚类准确率达到96.2%，在Fashion-MNIST数据集上达到85.6%，在EMNIST Balanced数据集上达到79.2%，均优于所设定的基线模型。