초록
비라벨 데이터로부터 k-means 군집화와 딥 특징 표현을 동시에 학습하는 문제에 대해 다룹니다. 이는 딥 k-means가 기존의 두 단계 특징 추출 및 얕은 군집화 전략보다 우수한 성능을 발휘할 가능성이 있기 때문에 주목받고 있습니다. 우리는 Gumbel-Softmax 재매개변수화 기법을 활용하여 비미분 가능한 k-means 목적 함수에 대한 경사 추정기를 개발함으로써 이 문제를 해결합니다. 기존의 딥 클러스터링 접근법과 달리, 본 연구에서 제안하는 콘크리트 k-means 모델은 전통적인 k-means 목적 함수에 대해 최적화가 가능하며, 교대 최적화를 사용하지 않고도 쉽게 엔드투엔드로 학습할 수 있습니다. 제안한 방법의 유효성을 표준 군집화 벤치마크를 통해 실험적으로 입증하였습니다.