摘要

深度神经网络（DNN）为解决高维数据聚类这一具有挑战性的任务提供了有效途径。DNN能够提取有用的特征，从而生成低维表示，使数据更适用于各类聚类方法。由于聚类通常在完全无监督的设置下进行，即缺乏标注训练数据，因此如何训练DNN特征提取器成为一个关键问题。目前最精确的方法将DNN的训练与聚类目标相结合，利用聚类过程中的信息来优化DNN，以生成更利于聚类的特征表示。然而，该方法的一个主要问题在于，聚类算法生成的“伪标签”存在噪声，其中包含的错误会损害DNN的训练效果。为此，本文提出一种选择性伪标签聚类（Selective Pseudo-Label Clustering）方法，仅使用置信度最高的伪标签用于DNN的训练。我们从理论上证明了在特定条件下该方法能够带来性能提升。在图像聚类任务上的实验表明，该方法在三个主流图像数据集上均取得了当前最优的性能表现。代码已开源，获取地址为：https://github.com/Lou1sM/clustering。