抽象的

群集是对一组示例进行分组的任务，使得类似的示例被分组到同一群集中，而不同的例子在不同的簇中。聚类的质量取决于两个问题依赖性因子，即I）所选择的相似度度量和II）数据表示。已经提出了被监督的群集方法，该方法已经提出了标记的分区数据集，例如用于了解优化以执行群集的度量。然而，这些方法中的大多数假设数据的表示是固定的，然后学习适当的线性变换。还提出了一些深刻的监督聚类学习方法。但是，它们依赖于迭代方法来计算梯度，从而产生高算法复杂度。在本文中，我们提出了一种深入的监督聚类公制学习方法，其制定了一种新的损失功能。我们导出了渐变的闭合表达式表达式，该表达式是有效的计算：计算梯度的复杂性在训练迷你批处理和Quaditional中的级别的大小是线性的。我们进一步揭示了我们的方法可以被视为学习谱聚类。标准现实世界数据集的实验确认了最先进的召回@ K性能。

作者

Marc T.法律，拉奎尔乌特萨苏，理查德S. Zemel

会议

ICML 2017.

全文

'深度光谱聚类学习（PDF）

优步阿格