鲁棒深度模糊K均值聚类

高维数据更可分

联合学习特征与聚类隶属度，并引入拉普拉斯正则和自适应损失，对离群点更鲁棒。

Xiaoling, Wu · Yu, Yufeng · 陳龍 · Ding W. · Wang, Yingxu

Pattern Recognition 2024

技术优势

对离群点更鲁棒

采用自适应损失函数，能应对不同类型的离群点，提升聚类稳定性。

保留数据局部结构

引入拉普拉斯正则化保持数据的局部特性，使嵌入空间更具判别力。

防止特征失真

通过重构误差和网络参数正则化，避免潜在空间被扭曲，保留原始信息。

应用场景

• 视觉特征学习：用于图像聚类前的高质量特征提取，提升下游任务性能。
• 无监督图像分类：无需标签即可对图像分组，替代人工标注流程。
• 数据降维：同时学习低维嵌入和聚类，适合高维图像数据的可视化与探索。