중심기반 딥 클러스터링에서 재클러스터링 장벽 극복

이 연구는 중심점 기반 딥 클러스터링(DC) 알고리즘에서 중요한 현상을 조사합니다: 초기에 빠른 성능 향상 이후 성능이 급속히 포화 상태에 이릅니다. 실무자들은 일반적으로 초기 포화를 주기적인 재클러스터링으로 해결하려고 하지만, 우리는 이를 성능 정체 문제를 충분히 해결하지 못함을 입증하였습니다. 우리는 이 현상을 "재클러스터링 장벽"이라고 부르며, 실험적으로 재클러스터링 장벽이 언제 발생하는지, 그 근본적인 메커니즘이 무엇인지, 그리고 우리의 알고리즘인 BRB로 어떻게 재클러스터링 장벽을 극복할 수 있는지를 보여줍니다. BRB는 초기 클러스터링에 대한 과도한 약속을 피하고, 개념적으로 간단하게 유지하면서 재초기화된 클러스터링 목표에 지속적으로 적응할 수 있도록 합니다. 널리 사용되는 중심점 기반 DC 알고리즘에 우리의 알고리즘을 적용하여 (1) BRB가 다양한 클러스터링 벤치마크에서 일관되게 성능을 개선하며, (2) BRB가 처음부터 학습을 가능하게 하며, (3) 대조 손실과 결합하면 BRB가 최신 DC 알고리즘과 경쟁력을 갖추어 성능을 발휘함을 보여주었습니다. 우리는 코드와 사전 학습된 모델을 https://github.com/Probabilistic-and-Interactive-ML/breaking-the-reclustering-barrier 에 공개합니다.