動的オートエンコーダーを用いたディープクラスタリング：再構成から重心構築へ

非監督学習においては、変動と類似性の重要な要素を捉える明確なコスト関数が存在しません。自然システムは滑らかなダイナミクスを持つため、非監督目的関数が学習過程で静的である場合、機会が失われます。具体的な教師なしの状況では、滑らかなダイナミクスを統合すべきです。古典的な静的コスト関数と比較して、動的目標関数は疑似教師あり学習を通じて得られる段階的かつ不確定な知識をより効果的に活用することができます。本論文では、クラスタリング-再構成トレードオフを克服する新しいモデルである動的オートエンコーダー（DynAE）を提案します。このモデルは、徐々に滑らかに再構成目的関数を取り除き、構築目的関数に優先順位を置きます。ベンチマークデータセットでの実験評価により、当手法は最も関連性の高い深層クラスタリング手法と比較して最先端の結果を達成していることが示されました。