確率制約クラスタリングを用いた転移学習と画像カテゴリ発見

ニューラルネットワークを基盤とするクラスタリング手法が最近注目を集めています。特に、転移学習や深層学習を使用した画像カテゴリの発見を行うために、制約付きクラスタリングの枠組みが提案されています。この手法の中心的な考え方は、ペアワイズ制約を用いたクラスタリング目標関数を定式化し、これを用いて深層クラスタリングネットワークを訓練することです。これにより、クラスタ割り当てとその背後の特徴表現が端から端まで共同で最適化されます。本研究では、より深いネットワークやより多くのカテゴリを最適化するという観点から、従来の手法におけるスケーラビリティ問題に対処するための新しいクラスタリング定式化を提供します。提案された目標関数は、ペアワイズ制約に対してクラスタ割り当ての負の対数尤度を直接最小化し、ハイパーパラメータを持たず、監督学習および非監督転移学習においてスケーラビリティと性能の向上を示しています。