基于深度残差自编码器的无监督聚类算法

摘要：

随着社会数字化程度的加深,数据的类型和维度不断增长,数据逐渐呈现出高维特性.在高维数据下,传统无监督聚类算法聚类效率低下,维度灾难导致其性能不佳.随着深度学习的发展,自编码器技术在降维任务上取得了长足的进步.提出了基于深度残差自编码器的无监督聚类方法——ResDAE-KMeans++.上述方法在无监督训练的深度残差自编码器基础上,应用KMeans++在低维特征空间中自主聚类.相较其他无监督聚类算法,应用非线性的残差自编码器编码后的特征空间使得聚类速度显著提升的同时,准确率也得到了进一步提高.在Iris、Wine、MNIST数据集上与其它主流无监督算法进行对比,实验结果表明,ResDAE-KMeans++算法在对比其它聚类算法存在有明显优势.

关键词：无监督聚类、深度学习、机器学习

所属期刊栏目：40

分类号：TP391.4(计算技术、计算机技术)

资助基金：深圳市科技计划JCYJ20190813170803617

在线出版日期：2023-03-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：405-409