اصلاح شبکه خوشه بند عمیق در جهت یادگیری ویژگی و حفظ ساختار داده ها

خوشه بندی یکی از تکنیک های پایه ای در یادگیری ماشین و شناسایی الگو می باشد که به دنبال شناسایی ساختار ذاتی داده ها است. بسیاری از الگوریتم های معرفی شده خوشه بندی به دنبال مدل کردن شباهت یا عدم شباهت میان نمونه ها برای شناسایی خوشه ها هستند و گاها استخراج ویژگی های موثرتر از داده را نادیده می گیرند. خوشه بندیعمیق با بکارگیری شبکه های عصبی عمیق و بدست آوردن نگاشتی مناسب به دنبال استخراج ویژگی هایی از داده است تا بتواند خوشه بندی را بطور موثرتر انجام دهد. برای رسیدن به این هدف، پژوهش های زیادی صورت گرفته که دسته ای از آن ها سعی در بهینه سازی توامان خوشه بندی و ویژگی های یاد گرفته شده را دارد. خوشه بندی تعبیه شده عمیق DEC معروف ترین روش در این زمینه است که به دنبال پیدا کردن ویژگی های مناسب برای خوشه بندی است. در خصوص این روش، به نظر می رسد اگر در هنگام یادگیری نگاشت سعی شود داده هایی که ذاتا مشابه هم هستند پس از نگاشت نیز در نزدیکی یکدیگر قرار گیرند، بهره وری خوشه بندی می تواند افزایش یابد. در این راستا، روشی برای اصلاح ساختار شبکه عمیق جهت خوشه بندی در این مقاله معرفی شده که می تواند علاوه بر یادگیری ویژگی ها در جهت خوشه بندی، داده های مشابه را نیز در نزدیکی یکدیگر قرار دهد و باعث افزایش کارایی خوشه بندی شود. بررسی نتایج این روش روی مجموعه داده های دنیای واقعی و مقایسه آن با سایر الگوریتم ها نشان دهنده کارایی این روش می باشد.

Keywords:

خوشه بندی داده ها , شبکه عصبی عمیق , خوشه بندی عمیق , یادگیری ویژگی , حفظ ساختار داده