摘要
将机器聚类与深度模型相结合在深度聚类中展现出显著的优势。该方法将数据处理流程修改为两个交替进行的阶段：特征聚类和模型训练。然而，这种交替安排可能导致不稳定性和计算负担问题。我们提出了一种无中心聚类算法——概率聚合聚类（Probability Aggregation Clustering, PAC），以主动适应深度学习技术，实现在线深度聚类的便捷部署。PAC 避免了使用聚类中心，并通过将聚类问题表述为具有新颖目标函数的优化问题，对概率空间和分布空间进行了对齐。基于 PAC 的计算机制，我们设计了一个通用的在线概率聚合模块，用于在小批量数据上执行稳定且灵活的特征聚类，并进一步构建了一个深度视觉聚类框架——深度 PAC（Deep PAC, DPAC）。大量实验表明，PAC 具有出色的聚类鲁棒性和性能，而 DPAC 在性能上显著优于当前最先进的深度聚类方法。