چارچوب نوین خودرمزگذار مبتنی بر ResNet برای خوشه بندی نیمه نظارتی با بهره گیری از محدودیت های زوجی

اخیرا استفاده از یادگیری عمیق برای خوشه بندی داده ها به دلیل توانایی آن در کشف ساختارهای پیچیده داده ها، مورد توجه بسیاری از پژوهشگران قرار گرفته است. در این مقاله، یک چارچوب نوین خودرمزگذار مبتنی بر ResNet برای خوشه بندی نیمه نظارتی پیشنهاد شده است که شامل معماری خودرمزگذار با اتصالات باقیمانده است. این چارچوب دو بخش اصلی دارد: رمزگذار مبتنی بر ResNet که بازنمایی های نهفته و معنادار از داده ها استخراج می کند، و رمزگشا که وظیفه بازسازی دقیق داده های ورودی را بر عهده دارد.مدل پیشنهادی از یک تابع زیان ترکیبی بهره می برد که شامل میانگین مربعات خطا (MSE)، واگرایی کولبک-لایبلر (KLD)، محدودیت های زوجی نیمه نظارتی و برچسب های نیمه نظارتی است. این ترکیب نوآورانه، فرایند خوشه بندی را با استفاده از توزیع هدف به عنوان برچسب های نرم هدایت کرده و موجب بهبود پایداری مدل می شود. نتایج آزمایش ها بر روی مجموعه داده های عمومی نشان می دهد که مدل پیشنهادی به طور میانگین دقت ۹۶.۸% در معیار دقت خوشه بندی و ۹۲.۵% در معیار اطلاعات متقابل نرمال شده (NMI) را به دست آورده است. این نتایج حاکی از بهبود عملکرد مدل نسبت به روش های پیشین در خوشه بندی نیمه نظارتی است.

کلیدواژه ها:

خوشه بندی نیمه نظارتی ، خودرمزگذار مبتنی بر ResNet ، محدودیت های زوجی ، یادگیری عمیق برای خوشه بندی