摘要
深度学习（DL）在无监督聚类任务中展现出巨大的潜力。然而，尽管在经典（即非深度）聚类中，非参数方法的优势已广为人知，但大多数深度聚类方法都是参数化的：也就是说，它们需要预定义且固定的聚类数量，记为K。当K未知时，使用模型选择准则来确定其最优值可能会变得计算成本高昂，尤其是在深度学习中，因为训练过程需要重复多次。在这项工作中，我们通过引入一种有效的深度聚类方法来弥合这一差距，该方法无需事先知道K的值，而是在学习过程中推断出它。利用分裂/合并框架、适应变化的K的动态架构以及新颖的损失函数，我们提出的方法在性能上优于现有的非参数方法（包括经典和深度方法）。虽然现有的少数几种深度非参数方法缺乏可扩展性，但我们首次展示了此类方法在ImageNet上的性能。此外，我们还通过实验展示了推断K的重要性：当假设的K值与实际值相差较大时，固定K的方法在性能上会显著下降，特别是在不平衡数据集上表现尤为明显。我们的代码可在https://github.com/BGU-CS-VIL/DeepDPM 获取。