Deep Clustering via Probabilistic Ratio-Cut Optimization

要約

バイナリ割り当てをランダム変数としてモデル化することにより、グラフ比カットを最適化するための新しいアプローチを提案します。
オンライン設定で割り当て変数のパラメーターを学習するために、予想される比率カットの上限と、その勾配の公平な推定値を提供します。
確率的アプローチ（PRCUT）に起因するクラスタリングは、組み合わせ問題、オンライン学習拡張機能、およびいくつかの広く使用されている方法のレイリークォミエイトリラックスを上回ります。
PRCUTクラスタリングは、類似性測定値と密接に整合し、ラベルベースの類似性が提供された場合に監視された分類器と同様に実行できることを実証します。
この新しいアプローチは、すぐに使用できる自己監督の表現を活用して、競争力のあるパフォーマンスを達成し、これらの表現の品質の評価方法として機能します。

要約(オリジナル)

We propose a novel approach for optimizing the graph ratio-cut by modeling the binary assignments as random variables. We provide an upper bound on the expected ratio-cut, as well as an unbiased estimate of its gradient, to learn the parameters of the assignment variables in an online setting. The clustering resulting from our probabilistic approach (PRCut) outperforms the Rayleigh quotient relaxation of the combinatorial problem, its online learning extensions, and several widely used methods. We demonstrate that the PRCut clustering closely aligns with the similarity measure and can perform as well as a supervised classifier when label-based similarities are provided. This novel approach can leverage out-of-the-box self-supervised representations to achieve competitive performance and serve as an evaluation method for the quality of these representations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google