Deep Generative Clustering with VAEs and Expectation-Maximization

要約

我々は、変分オートエンコーダー (VAE) を期待最大化 (EM) フレームワークに統合する新しいディープ クラスタリング手法を提案します。
私たちのアプローチは、VAE を使用して各クラスターの確率分布をモデル化し、対数尤度の証拠下限 (ELBO) を最大化することによってモデル パラメーターを更新することと、学習された分布に基づいてクラスターの割り当てを調整することを交互に行います。
これにより、効果的なクラスタリングと各クラスタからの新しいサンプルの生成が可能になります。
既存の VAE ベースの方法とは異なり、私たちのアプローチでは、事前または追加の正則化手法にガウス混合モデル (GMM) を使用する必要がありません。
MNIST と FashionMNIST の実験では、最先端の方法と比較して優れたクラスタリング パフォーマンスが実証されています。

要約(オリジナル)

We propose a novel deep clustering method that integrates Variational Autoencoders (VAEs) into the Expectation-Maximization (EM) framework. Our approach models the probability distribution of each cluster with a VAE and alternates between updating model parameters by maximizing the Evidence Lower Bound (ELBO) of the log-likelihood and refining cluster assignments based on the learned distributions. This enables effective clustering and generation of new samples from each cluster. Unlike existing VAE-based methods, our approach eliminates the need for a Gaussian Mixture Model (GMM) prior or additional regularization techniques. Experiments on MNIST and FashionMNIST demonstrate superior clustering performance compared to state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google