Dissertação
A Mixture of experts approach to deep image clustering: estimating latent sizes and the number of clusters EVALUATED
Deep clustering é um campo com as mais variadas aplicações, que vão da Biologia ao Marketing. Difere do clustering clássico, pois usa algoritmos de deep learning para realizar feature learning nos dados originais. Apesar da importância desses algoritmos de feature learning, pouca ou nenhuma prioridade é dada à sua estrutura, levando a que a maioria dos trabalhos teóricos atinja desempenhos maus em aplicações reais. Além disso, as abordagens de agrupamento generativo atuais geralmente não permitem a especialização de partes da rede para diferentes clusters, tornando difícil influenciar o tipo de dados que é gerado. Esta tese visa explorar uma nova técnica de clustering profundo baseada em uma Mistura de especialistas de Autoencoders Variacionais. Nesta abordagem cada especialista modela um cluster e uma rede gerente é usada para estimar uma pontuação de importância relativa para cada um dos especialistas, atingindo efetivamente um agrupamento fuzzy. As principais contribuições deste trabalho são quatro: (i) é uma abordagem generativa para agrupamento de dados; (ii) possui uma arquitetura totalmente dependente de dados, eliminando a necessidade de seleção de hiperparâmetros; (iii) usando Análise de Componentes Principais, podemos estimar a dimensionalidade da dimensão latente dos VAEs, simplificando o modelo; e (iv) usado o HDBSCAN (em vez de um modelo de mistura gaussiana clássico, como no N2D), podemos estimar o número de clusters automaticamente. A abordagem proposta é avaliada em cinco conjuntos de dados de imagens e comparada com abordagens de clustering profundo de última geração provando que o algritmo proposto supera a maior parte das soluções.
dezembro 21, 2020, 9:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Pedro Filipe Zeferino Aidos Tomás
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Auxiliar