要約
既存の多数の部分空間クラスタリング手法は、手作業で設計された表現の自己表現に依存しており、潜在的なクラスタリング誤りに気づかないという欠点を持つ。その結果、複雑な部分空間構造を有する実データ上では、満足のいく性能を発揮できない。この問題を解決するため、本研究では新たな深層対抗的部分空間クラスタリング（DASC: Deep Adversarial Subspace Clustering）モデルを提案する。本モデルは、深層学習によって部分空間クラスタリングに適したより優れたサンプル表現を学習するとともに、特に対抗学習を導入し、サンプル表現学習と部分空間クラスタリングを監視する。具体的には、DASCは部分空間クラスタリング用の生成器（generator）と品質検証用の識別器（discriminator）から構成され、互いに競い合う形で学習を行う。生成器は部分空間の推定とサンプルのクラスタリングを生成する。一方、識別器は推定された部分空間から再サンプリングされたデータが一貫した部分空間特性を持つかどうかを検査することで、現在のクラスタリング性能を評価し、生成器に対して部分空間クラスタリングの段階的改善を促す。手書き文字認識、顔画像、物体クラスタリングの各タスクにおける実験結果から、DASCが浅層および少数の深層部分空間クラスタリングモデルと比較して優れた性能を発揮することが示された。さらに、本研究は、GANに類似したモデルを教師なし部分空間クラスタリングに初めて成功裏に適用した点で、深層学習が他の教師なし学習問題に対しても解決可能な道を開くものである。