Deep Clustering Using the Soft Silhouette Score: Towards Compact and Well-Separated Clusters

要約

教師なし学習はビッグデータ時代に注目を集めており、ラベルのないデータセットから貴重な洞察を抽出する手段を提供します。
ディープ クラスタリングは重要な教師なしカテゴリとして浮上しており、クラスタリングのパフォーマンスを向上させるためにニューラル ネットワークの非線形マッピング機能を活用することを目的としています。
ディープ クラスタリングに関する文献の大部分は、学習された表現と元の高次元データセットの一貫性を維持しながら、一部の埋め込み空間におけるクラスター内部の変動を最小限に抑えることに焦点を当てています。
この研究では、シルエット係数の確率的定式化であるソフト シルエットを提案します。
ソフト シルエットは、従来のシルエット係数のような、コンパクトで明確に分離されたクラスタリング ソリューションにメリットをもたらします。
ディープ クラスタリング フレームワーク内で最適化すると、ソフト シルエットは、学習された表現をコンパクトで十分に分離されたクラスターの形成に導きます。
さらに、ソフト シルエット目的関数の最適化に適したオートエンコーダ ベースの深層学習アーキテクチャを紹介します。
提案されたディープ クラスタリング手法は、さまざまなベンチマーク データセットでテストされ、よく研究されたいくつかのディープ クラスタリング手法と比較され、非常に満足のいくクラスタリング結果が得られました。

要約(オリジナル)

Unsupervised learning has gained prominence in the big data era, offering a means to extract valuable insights from unlabeled datasets. Deep clustering has emerged as an important unsupervised category, aiming to exploit the non-linear mapping capabilities of neural networks in order to enhance clustering performance. The majority of deep clustering literature focuses on minimizing the inner-cluster variability in some embedded space while keeping the learned representation consistent with the original high-dimensional dataset. In this work, we propose soft silhoutte, a probabilistic formulation of the silhouette coefficient. Soft silhouette rewards compact and distinctly separated clustering solutions like the conventional silhouette coefficient. When optimized within a deep clustering framework, soft silhouette guides the learned representations towards forming compact and well-separated clusters. In addition, we introduce an autoencoder-based deep learning architecture that is suitable for optimizing the soft silhouette objective function. The proposed deep clustering method has been tested and compared with several well-studied deep clustering methods on various benchmark datasets, yielding very satisfactory clustering results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google