基于无监督表征学习的深度聚类研究进展

在大数据时代，数据通常具有规模大、维度高、结构复杂的特点，深度聚类利用深度学习结合表征学习与聚类任务，大幅提高聚类在大规模高维数据中的性能.现有文献少有着重从表征学习的角度归纳和分析目前深度聚类的发展概况，也未通过实验分析传统聚类算法、深度聚类算法及不同深度聚类算法之间的差异.因此，文中首先基于无监督表征学习，简要整理深度聚类中常用的聚类算法，重点将深度聚类算法分成基于生成模型的深度聚类与基于判别模型的深度聚类，分析聚类任务中各深度模型的表征学习过程.然后，通过实验对比分析多类算法，归纳总结优缺点，便于开展针对具体任务中的算法选择.最后，为了深度聚类的进一步发展，描述其应用场景，并讨论未来的发展趋势.