딥 클러스터링과 동적 오토인코더: 재구성에서 중심점 구성으로

비지도 학습에서 중요한 변동성과 유사성을 포착할 수 있는 명확한 비용 함수가 존재하지 않습니다. 자연 시스템이 부드러운 역학을 가지고 있기 때문에, 비지도 목적 함수가 훈련 과정 동안 정적일 경우 기회가 놓쳐집니다. 구체적인 감독의 부재는 부드러운 역학을 통합해야 함을 시사합니다. 고전적인 정적 비용 함수와 비교하여, 동적 목적 함수는 의사-감독을 통해 점진적이고 불확실한 지식을 더 잘 활용할 수 있습니다. 본 논문에서는 이러한 문제를 해결하기 위해 클러스터링-재구성 균형 문제를 점진적이고 부드럽게 해결하는 새로운 모델인 동적 오토인코더(DynAE, Dynamic Autoencoder)를 제안합니다. 벤치마크 데이터셋에 대한 실험 평가 결과, 우리의 접근 방식은 가장 관련성이 높은 딥 클러스터링 방법들과 비교하여 최신 수준의 성능을 달성하였습니다.