要約
ラベルなしデータから同時にk-meansクラスタリングと深層特徴表現を学習する問題に取り組む。この問題は、従来の2段階特徴抽出および浅層クラスタリング手法と比較して、深層k-meansが優れた性能を発揮する可能性があるため、注目されている。本研究では、Gumbel-Softmax再パラメトライゼーション技法を用いて、微分不可能なk-means目的関数に対する勾配推定器を構築することで、この課題を解決する。従来の深層クラスタリング手法とは異なり、本研究で提案するコンクリートk-meansモデルは、標準的なk-means目的関数に対して最適化可能であり、交差最適化（alternating optimisation）を用いずに、端から端まで（end-to-end）容易に学習が可能である。標準的なクラスタリングベンチマーク上での実験により、本手法の有効性を実証した。