基于局部保持的深度聚类研究.pdfVIP

基于局部保持的深度聚类研究 中文摘要 聚类在机器学习和模式识别领域被广泛地研究，其以无监督的方式将数据 按照相似性划分为不同的类别．特征学习是聚类任务中一个关键步骤，旨在将 原始高维数据映射到低维的特征表示，同时保留数据的重要信息，使得聚类性 能实现显著的提升．随着深度学习的兴起，深度神经网络凭借其强大的特征表 示能力促进了深度聚类任务的发展．然而，现存的大部分深度聚类算法在特征 学习的过程中忽略了特征之间的局部连接关系，使得原始数据到特征低维映射 的过程中破坏了特征空间的本征结构，从而影响了聚类的性能．为了解决这一 问题，本文分别针对两个先进的深度聚类算法进行基于局部结构保持的改进， 提出利用局部保持正则项来约束深度特征学习，通过考虑特征之间的局部连接 关系保持特征空间的本征结构，从而实现聚类性能的有效提升．具体来说，本 文提出的改进算法分别为： （1）基于局部保持的深度子空间聚类算法：首先将图像数据输入深度卷积 自编码器进行预训练，学习数据潜在的初始特征；然后利用预训练特征学习一 个代表特征之间相似性的初始亲和图矩阵，并将其作为网络微调训练中特征的 先验图结构信息；在微调训练中，该算法在预训练深度自编码器模型的基础上，