非監督画像クラスタリングの改善に向けた堅牢な学習手法の活用

非監督画像クラスタリング手法は、間接的にモデルを学習させるための代替目的関数を導入することが多く、予測の誤りや過信の結果に影響を受けやすいです。これらの課題を克服するために、本研究では堅牢学習に着想を得た革新的なモデルRUC（Robust Unsupervised Clustering）を提案します。RUCの新規性は、既存の画像クラスタリングモデルが生成する疑似ラベルを使用し、分類ミスを含む可能性のあるノイジーなデータセットとして扱う点にあります。再学習プロセスにより、ずれた知識を修正し、予測における過信問題を軽減することができます。また、モデルの柔軟な構造により、他のクラスタリング手法へのアドオンモジュールとして利用可能で、複数のデータセットでの性能向上に貢献します。広範囲にわたる実験結果から、提案されたモデルがより良いキャリブレーションによってモデルの信頼度を調整し、敵対的ノイズに対する追加的な堅牢性を得られることを示しています。