典型文献
基于无监督表征学习的深度聚类研究进展
文献摘要：
在大数据时代,数据通常具有规模大、维度高、结构复杂的特点,深度聚类利用深度学习结合表征学习与聚类任务,大幅提高聚类在大规模高维数据中的性能.现有文献少有着重从表征学习的角度归纳和分析目前深度聚类的发展概况,也未通过实验分析传统聚类算法、深度聚类算法及不同深度聚类算法之间的差异.因此,文中首先基于无监督表征学习,简要整理深度聚类中常用的聚类算法,重点将深度聚类算法分成基于生成模型的深度聚类与基于判别模型的深度聚类,分析聚类任务中各深度模型的表征学习过程.然后,通过实验对比分析多类算法,归纳总结优缺点,便于开展针对具体任务中的算法选择.最后,为了深度聚类的进一步发展,描述其应用场景,并讨论未来的发展趋势.
文献关键词：
神经网络;表征学习;深度聚类;无监督学习;损失函数
中图分类号：
作者姓名：
侯海薇;丁世飞;徐晓
作者机构：
中国矿业大学 计算机科学与技术学院 徐州 221116;中国矿业大学 矿山数字化教育部工程研究中心 徐州221116
文献出处：
引用格式：
[1]侯海薇;丁世飞;徐晓-.基于无监督表征学习的深度聚类研究进展)[J].模式识别与人工智能,2022(11):999-1014
A类：
B类：
无监督表征学习,深度聚类,聚类研究,数据通,高维数据,发展概况,未通过,聚类算法,不同深度,点将,生成模型,判别模型,深度模型,学习过程,实验对比,具体任务,算法选择,无监督学习,损失函数
AB值：
0.250391
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
