要約
我々は、二値割り当てを確率変数としてモデル化することにより、グラフの比率カット（ratio-cut）最適化のための新たなアプローチを提案する。本手法では、期待される比率カットに対して上界を提供するとともに、オンライン設定下で割り当て変数のパラメータを学習するための不偏勾配推定値を導出する。本手法による確率的クラスタリング（PRCut）は、組合せ問題に対するレイリー商緩和法や、そのオンライン学習拡張、および広く用いられる複数の手法と比較して優れた性能を示す。また、PRCutによるクラスタリングが類似度測度と密接に一致し、ラベルに基づく類似度が提供された場合には教師あり分類器と同等の性能を発揮することを示した。本研究で提案する新規アプローチは、即効性のある自己教師あり表現（self-supervised representations）を活用して競争力のある性能を達成でき、これらの表現の品質を評価するための評価手法としても機能する。