結構深層聚類網路
作者：凱魯嘎吉 - 博客園 http://www.cnblogs.com/kailugaji/
本博文是對Structural Deep Clustering Network這篇文章的展開與敘述，了解這篇文章的前提需要知道GCN圖卷積神經網路，DEC深度嵌入聚類，自編碼器等，
這是GCN用于聚類的一篇文章，聚類是資料分析的一項基本任務，近年來，從深度學習方法中獲得靈感的深度聚類獲得了最先進的性能，并引起了廣泛的關注，目前的深度聚類方法通常利用深度學習強大的表示能力來提高聚類結果，例如自編碼器，這表明學習一種有效的聚類表示是一個至關重要的要求，深度聚類方法的優點是從資料本身中提取有用的表征，而不是從資料的結構中提取有用的表示，這在表示學習中很少受到關注，基于圖卷積網路(GCN)在圖結構編碼方面取得的巨大成功，本文提出了一種結構化深度聚類網路(SDCN)，將結構資訊整合到深度聚類中，具體來說，設計了一個傳遞算子，將自動編碼器學習到的表示轉換到相應的GCN層，并設計了一個雙自監督機制來統一這兩種不同的深層神經結構，引導整個模型的更新，通過這種方式，從低階到高階的多種資料結構自然地與自動編碼器學習到的多種表示相結合，此外，從理論上分析了傳遞算子，即通過傳遞算子，GCN將自編碼器特有的表示改進為高階圖正則化約束，而自編碼器有助于緩解GCN中的過平滑問題，通過全面的實驗，證明所提出的模型可以始終比最先進的技術表現得更好，
參考文獻：
[1] Deyu Bo, Xiao Wang*, Chuan Shi, Meiqi Zhu, Emiao Lu, Peng Cui. Structural Deep Clustering Network. WWW 2020. (CCF-A)
[2] 王嘯老師個人主頁：https://wangxiaocs.github.io/
深度學習中的拓撲美學：圖神經網路報告題目：Dive into the Message Passing Mechanism of Graph Neural Networks
[3] 自編碼器、DEC相關：Deep Clustering Algorithms
[4] 如何理解 Graph Convolutional Network（GCN）？
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/270750.html
標籤：其他
下一篇：自動駕駛沙盤系統