基于自编码器的深度聚类算法综述

陶文彬，钱育蓉，张伊扬，马恒志，冷洪勇，马梦楠

1.新疆大学 软件学院，乌鲁木齐830046

2.新疆大学 软件学院 重点实验室，乌鲁木齐830046

3.新疆维吾尔自治区 信号检测与处理重点实验室，乌鲁木齐830046

4.北京理工大学 计算机学院，北京100081

聚类是从现有数据中挖掘潜在信息，将其划分为多个簇的过程[1]。聚类算法作为传统机器学习中常用的算法之一[2]，得到了广泛的关注与研究。目前虽然已有大量的数据聚类方法[3-6]已经被提出，但是在面对海量图像、视频等高维数据的应用场景时，传统聚类算法运算量过大，且难以从中提取到有效的信息，存在着自身的局限性。

深度聚类由于能借助深度学习技术的特征提取能力提升聚类效果，因此成为了当前业界研究的热点。深度聚类[7-8]方法的核心思想就是使用各种神经网络从高维数据中提取到有用的特征，再进行聚类。

自编码器[9]（autoencoder，AE）作为基础的神经网络模型之一，通过编码解码的过程，期望将网络的输出等同于输入，实现对样本的抽象特征学习，适合与聚类任务结合。因此，目前研究最多，泛用性最广的就是基于自编码器的深度聚类算法。

深度聚类算法近几年发展迅速，在2016年Xie等人提出了基于自动编码器的深度聚类模型DEC[10]（deep embedded clustering），相比传统聚类算法有了较大提升。Guo等人于2017年提出了基于此的改进算法IDEC[11]（improved deep clustering），改进了DEC破坏了部分局部特征的缺陷，进一步提升了效果。之后研究人员们基于自编码器相继提出了很多改进模型，如：使用……