Eine wahrscheinlichkeitstheoretische Clusterverfahren mit Nebenbedingungen für Transferlearning und Entdeckung von Bildkategorien

Clusterverfahren auf der Basis von neuronalen Netzen haben in letzter Zeit an Popularität gewonnen. Insbesondere wurde eine restringierte Clustervariante vorgeschlagen, um Transferlearning und die Entdeckung von Bildkategorien mit tiefem Lernen durchzuführen. Das Kernkonzept besteht darin, ein Clusteringziel unter Verwendung von paarweisen Restriktionen zu formulieren, das zur Ausbildung eines tiefen Clusternetzes verwendet werden kann; dadurch werden die Clusterzuordnungen und ihre zugrundeliegenden Merkmalsrepräsentationen gemeinsam in einem End-to-End-Prozess optimiert. In dieser Arbeit stellen wir eine neue Clusterverformulierung vor, um Skalierungsprobleme früherer Arbeiten hinsichtlich der Optimierung tiefer Netze und größerer Kategorieanzahlen zu lösen. Das vorgeschlagene Ziel minimiert direkt die negative Log-Wahrscheinlichkeit der Clusterzuordnung im Bezug auf die paarweisen Restriktionen, verfügt über keine Hyperparameter und zeigt verbesserte Skalierbarkeit und Leistung sowohl beim überwachten Lernen als auch beim unüberwachten Transferlearning.