摘要
聚类是机器学习中最基础的任务之一。近年来，深度聚类已成为聚类技术的主要研究趋势。表示学习在深度聚类的性能中通常发挥着关键作用，因此也可能成为性能下降的主要原因。本文提出一种面向聚类的表示学习方法，结合实例判别（instance discrimination）与特征去相关（feature decorrelation）。所提出的基于深度学习的表示学习方法，其设计灵感源自经典谱聚类的性质：实例判别旨在学习数据样本之间的相似性，而特征去相关则用于消除特征间的冗余相关性。我们采用一种实例判别机制，通过学习每个独立样本的类别，实现对样本间相似性的有效建模。通过详尽的实验与分析，我们证明该方法能够有效适应聚类任务所需的潜在空间学习。为此，我们设计了一种新颖的基于Softmax形式的去相关约束机制。在CIFAR-10和ImageNet-10图像聚类任务上的评估结果表明，本方法分别取得了81.5%和95.4%的聚类准确率。此外，实验还验证了Softmax形式的约束与多种神经网络架构具有良好的兼容性。