دانلود ترجمه مقاله مطالعه ای بر خوشه بندی با یادگیری عمیق

1. مقدمه 2. مقدمات 3. طبقه بندی خوشه بندی عمیق 4. فرصت های آتی و نتیجه گیری

خوشه بندی یک مسئله اساسی در بسیاری از حیطه های کاربردی داده محور می باشد و عملکرد خوشه بندی به میزان زیادی به کیفیت نمایش داده ها بستگی دارد. بنابراین، تحولات ویژگی خطی یا غیرخطی بطور گسترده ای برای یادگیری نمایش داده بهتر برای خوشه بندی، استفاده شده اند. در سالهای اخیر، تعداد زیادی مقاله بر استفاده از شبکه های عصبی عمیق برای یادگیری یک نمایش سازگار با خوشه بندی، متمرکز شده اند و در نتیجه باعث افزایش قابل توجه عملکرد خوشه بندی شده اند. در این مقاله، یک مرور ادبی نظام مند در مورد خوشه بندی با یادگیری عمیق از نظر معماری، ارائه می دهیم. مخصوصاً اینکه، ابتدا دانش اولیه برای درک بهتر این زمینه را معرفی می کنیم. سپس یک رده شناسی از خوشه بندی با یادگیری عمیق پیشنهاد می شود و تعدادی روش نماینده معرفی می شود. تعدادی فرصت آتی جالب از خوشه بندی با یادگیری عمیق پیشنهاد می دهیم و تعدادی توضیحات در نتیجه گیری ارائه می دهیم. مقدمه: خوشه بندی داده ها، در بسیاری از زمینه ها مانند یادگیری ماشینی، تشخیص الگو، دید ماشینی، فشرده سازی داده ها، یک مسئله پایه می باشد. هدف خوشه بندی، طبقه بندی داده های مشابه دریک خوشه براساس تعدادی معیار شباهت (برای مثال، فاصله اقلیدسی) می باشد. اگرچه تعداد زیادی روش خوشه بندی داده پیشنهاد شده است [1 تا 5]، اما روش های خوشه بندی متداول معمولاً در مورد داده های چند بعدی (دارای ابعاد زیاد)، عملکرد ضعیف دارند که این بخاطر ناکارآیی معیارهای تشابه استفاده شده در این روش ها می باشد. علاوه بر آن، این روش ها عموماً از پیچیدگی محاسباتی زیاد برروی مجموعه داده های مقیاس بزرگ رنج می برند. به این دلیل، کاهش چند بعدی و روش های تبدیل ویژگی بطور گسترده ای برای نگاشت داده های خام به یک فضای ویژگی جدید، مورد مطالعه قرار گرفته اند، جایی که داده های تولید شده تفکیک شان بوسیله دسته کننده های موجود، آسانتر است. بطور کلی، روش های تبدیل داده موجود شامل تبدیل خطی مانند «تحلیل عاملی اصلی» (PCA) [6] و تبدیل غیرخطی مانند روش های کرنل [7] و روش های طیفی [8] می باشند. با این حال، یک ساختار نهان بسیار پیچیده از داده ها هنوز اثربخشی روش های خوشه بندی موجود را مورد چالش قرار می دهند. به خاطر توسعه یادگیری عمیق [9]، شبکه های عصبی عمیق (DNN ها) را می توان برای تبدیل داده ها به نمایش های سازگارتر با خوشه بندی بخاطر خاصیت ذاتی تبدیل بسیار غیرخطی، را می توان استفاده نمود. جهت سهولت توصیف، روش های خوشه بندی با یادگیری عمیق را در این مقاله، خوشه بندی عمیق می نامیم.

Clustering is a fundamental problem in many data-driven application domains, and clustering performance highly depends on the quality of data representation. Hence, linear or non-linear feature transformations have been extensively used to learn a better data representation for clustering. In recent years, a lot of works focused on using deep neural networks to learn a clustering-friendly representation, resulting in a significant increase of clustering performance. In this paper, we give a systematic survey of clustering with deep learning in views of architecture. Specifically, we first introduce the preliminary knowledge for better understanding of this field. Then, a taxonomy of clustering with deep learning is proposed and some representative methods are introduced. Finally, we propose some interesting future opportunities of clustering with deep learning and give some conclusion remarks. INTRODUCTION: Data clustering is a basic problem in many areas, such as machine learning, pattern recognition, computer vision, data compression. The goal of clustering is to categorize similar data into one cluster based on some similarity measures (e.g., Euclidean distance). Although a large number of data clustering methods have been proposed [1]-[5], conventional clustering methods usually have poor performance on high-dimensional data, due to the inefficiency of similarity measures used in these methods. Furthermore, these methods generally suffer from high computational complexity on large-scale datasets. For this reason, dimensionality reduction and feature transformation methods have been extensively studied to map the raw data into a new feature space, where the generated data are easier to be separated by existing classifiers. Generally speaking, existing data transformation methods include linear transformation like Principal component analysis (PCA) [6] and non-linear transformation such as kernel methods [7] and spectral methods [8]. Nevertheless, a highly complex latent structure of data is still challenging the effectiveness of existing clustering methods. Owing to the development of deep learning [9], deep neural networks (DNNs) can be used to transform the data into more clustering-friendly representations due to its inherent property of highly non-linear transformation. For the simplicity of description, we call clustering methods with deep learning as deep clustering1 in this paper.