초록
본 논문에서는 의사 분류 목표를 통해 간접적으로 도입되는 숨겨진 정보를 활용하는 새로운 비지도 클러스터링 접근법을 제안합니다. 구체적으로, 각 관측치에 의사 부모 클래스 라벨을 무작위로 할당한 후, 할당된 라벨과 관련된 영역 특화 변환을 적용하여 라벨을 수정합니다. 이렇게 생성된 의사 관측-라벨 쌍은 각 의사 부모 클래스에 대해 여러 소프트맥스 노드를 도입하는 오토 클러스터링 출력층(Autoclustering Output Layer, ACOL)을 가진 신경망을 훈련시키는 데 사용됩니다. 그래프 기반 활동 규제(Graph-based Activity Regularization, GAR) 항목을 기반으로 하는 비지도 목적함수 덕분에, 각 부모 클래스의 소프트맥스 중복체들은 훈련 과정에서 영역 특화 변환의 도움으로 포착된 숨겨진 정보가 전파되면서 특화됩니다. 결국 우리는 k-means에 적합한 잠재 표현을 얻게 됩니다. 또한, 선택된 변환 유형이 성능에 미치는 영향과 알려지지 않은 클러스터를 밝히는 데 유용한 잠재 정보의 전파를 돕는 방식을 설명합니다. 우리의 결과는 MNIST, SVHN 및 USPS 데이터셋에서 비지도 클러스터링 작업에 대한 최신 문헌에서 보고된 최고 정확도를 나타내며, 이 분야에서 최고 수준의 성능을 보여주었습니다.