日本語タイトル#
センター指向のプロトタイプ対比クラスタリング
英文タイトル#
Center-Oriented Prototype Contrastive Clustering
日本語摘要#
対比学習は、その識別的表現によりクラスタリングタスクで広く使用されています。しかし、クラス間の衝突問題は効果的に解決するのが難しいです。既存の方法はこの問題をプロトタイプ対比を通じて解決しようとしていますが、ハードプロトタイプの計算と真のクラスタ中心との間に偏差があります。この問題を解決するために、私たちはセンター指向のプロトタイプ対比クラスタリングフレームワークを提案します。このフレームワークは、ソフトプロトタイプ対比モジュールと二重一貫性学習モジュールで構成されています。簡単に言えば、ソフトプロトタイプ対比モジュールは、サンプルがクラスタ中心に属する確率を重みとして使用して各カテゴリのプロトタイプを計算し、同時にクラス間の衝突を回避し、プロトタイプの漂流を減少させます。二重一貫性学習モジュールは、同じサンプルの異なる変換と異なるサンプルの近傍をそれぞれ整列させ、特徴が変換不変の意味情報とコンパクトなクラス内分布を持つことを保証し、同時にプロトタイプの計算に対する信頼できる保証を提供します。五つのデータセットにおける広範な実験は、提案された方法が SOTA と比較して効果的であることを示しています。私たちのコードは https://github.com/LouisDong95/CPCC に公開されています。
英文摘要#
Contrastive learning is widely used in clustering tasks due to its discriminative representation. However, the conflict problem between classes is difficult to solve effectively. Existing methods try to solve this problem through prototype contrast, but there is a deviation between the calculation of hard prototypes and the true cluster center. To address this problem, we propose a center-oriented prototype contrastive clustering framework, which consists of a soft prototype contrastive module and a dual consistency learning module. In short, the soft prototype contrastive module uses the probability that the sample belongs to the cluster center as a weight to calculate the prototype of each category, while avoiding inter-class conflicts and reducing prototype drift. The dual consistency learning module aligns different transformations of the same sample and the neighborhoods of different samples respectively, ensuring that the features have transformation-invariant semantic information and compact intra-cluster distribution, while providing reliable guarantees for the calculation of prototypes. Extensive experiments on five datasets show that the proposed method is effective compared to the SOTA. Our code is published on https://github.com/LouisDong95/CPCC.
文章ページ#
PDF 入手#
抖音でスキャンしてさらに素晴らしいコンテンツを表示