N2D: (Not Too) Deep Clustering via Clustering the Local Manifold of an Autoencoded Embedding N2D: (너무 깊지 않은) 오토인코딩 임베딩의 로컬 매니폴드를 통한 클러스터링

깊은 클러스터링은 점점 더 전통적인 얕은 클러스터링 알고리즘보다 우수성을 입증하고 있습니다. 깊은 클러스터링 알고리즘은 일반적으로 표현 학습과 딥 뉴럴 네트워크를 결합하여 이러한 성능을 달성하며, 주로 클러스터링 손실과 비클러스터링 손실을 최적화합니다. 이러한 경우, 오토인코더가 클러스터링 네트워크와 연결되며, 최종 클러스터링은 오토인코더와 클러스тер링 네트워크가 공동으로 학습됩니다. 대신, 우리는 오토인코딩된 임베딩을 학습한 후 이 임베딩에서 저변의 매니폴드를 추가로 탐색하는 방법을 제안합니다. 단순함을 위해, 우리는 이를 깊은 네트워크가 아닌 얕은 클러스터링 알고리즘으로 클러스터링합니다. 우리는 원시 데이터와 오토인코딩된 임베딩 모두에 대해 여러 지역적 및 전역적 매니폴드 학습 방법을 연구하였으며, 우리의 프레임워크에서 UMAP이 가장 효과적으로 클러스터 가능한 매니폴드를 찾는다는 결론을 내렸습니다. 이는 오토인코딩된 임베딩에서의 지역적 매니폴드 학습이 더 높은 품질의 클러스터 발견에 효과적임을 시사합니다. 우리는 다양한 이미지 및 시계열 데이터셋에서 우리 방법이 최신 깊은 클러스터링 알고리즘들과 경쟁력을 갖는 성능을 보여주며, 몇몇에서는 현재 최고 수준의 알고리즘들을 능가한다는 것을 정량적으로 증명하였습니다. 우리는 이러한 결과들이 깊은 클러스터링 연구 방향에 대한 유망성을 보여주는 것으로 추정합니다. 코드는 https://github.com/rymc/n2d 에서 확인할 수 있습니다.