클러스터링을 위한 표현 학습: 공감대 형성에 의한 접근

본 논문에서는 이미지 군집화를 위한 비지도 표현 학습에 초점을 맞춘다. 최근의 딥 군집화 및 비지도 표현 학습의 발전은 입력 이미지에 대한 다양한 시각(데이터 증강 기법을 통해 생성됨)이 표현 공간 내에서 가까워야 한다는 원칙(예시 일관성, exemplar consistency), 또는 유사한 이미지들은 유사한 군집 할당을 가져야 한다는 원칙(집단 일관성, population consistency)에 기반하고 있다. 본 연구에서는 표현 공간 내의 변형, 다양한 군집 알고리즘, 또는 단일 군집 알고리즘의 다양한 초기화에 대해 유사한 분할을 유도하도록 표현을 학습하도록 보장하는 추가적인 일관성 개념인 ‘공동 일관성’(consensus consistency)을 제안한다. 표현 공간 내의 변형을 수행함으로써 군집 손실을 정의하고, 세 가지 일관성(공동, 예시, 집단)을 끊김 없이 종단 간(end-to-end) 학습 프레임워크에 통합한다. 제안하는 알고리즘인 비지도 표현 학습을 활용한 공동 군집화(ConCURL)는 다섯 개의 이미지 데이터셋 중 네 개에서 최첨단 기법보다 우수한 군집 성능을 달성한다. 더 나아가, 실제 군집화 작업에서 자주 발생하는 분포 변화 상황에서도 군집 성능을 유지하는 능력을 반영하기 위해 군집화 평가 절차를 확장한다. 또한 제안된 알고리즘에 대한 깊이 있는 이해를 위해 철저한 아블레이션 연구(ablation study)를 수행한다. 코드 및 학습된 모델은 https://github.com/JayanthRR/ConCURL_NCE 에서 공개되어 있다.