Die Verbesserung der unüberwachten Bildclustering durch robustes Lernen

Unüberwachte Bildclustering-Methoden führen oft alternative Ziele ein, um das Modell indirekt zu trainieren, und sind anfällig für fehlerhafte Vorhersagen und übermäßig sichere Ergebnisse. Um diese Herausforderungen zu bewältigen, schlägt die aktuelle Forschung ein innovatives Modell namens RUC vor, das von robustem Lernen inspiriert ist. Die Neuheit des RUC liegt darin, dass es Pseudo-Labels bestehender Bildclustering-Modelle als einen verrauschten Datensatz verwendet, der möglicherweise missklassifizierte Stichproben enthält. Sein Wiedertrainingsprozess kann fehlgeordnetes Wissen korrigieren und das Problem der Überbewertung der Vorhersagen lindern. Die flexiblen Struktur des Modells ermöglicht es, als Zusatzmodul zu anderen Clustering-Methoden eingesetzt zu werden und ihnen bei der Verbesserung ihrer Leistung auf mehreren Datensätzen zu helfen. Ausführliche Experimente zeigen, dass das vorgeschlagene Modell die Modellzuversicht durch bessere Kalibrierung anpassen und zusätzliche Robustheit gegenüber feindseliger Störung erlangen kann.