Глоссарий ИИ
Полный словарь искусственного интеллекта
Глубокая кластеризация
Подход, который объединяет глубокие нейронные сети с традиционными алгоритмами кластеризации для изучения представлений, адаптированных для неконтролируемой кластеризации.
Кластеризация с автоэнкодерами
Метод, использующий автоэнкодеры для снижения размерности и изучения компактных признаков перед применением алгоритмов кластеризации в скрытом пространстве.
Глубокая вложенная кластеризация (DEC)
Алгоритм, который одновременно изучает представления признаков и назначения кластеров, совместно оптимизируя веса сети и центроиды кластеров.
Вариационное глубокое вложение (VaDE)
Генеративная модель на основе вариационных автоэнкодеров, которая моделирует распределение скрытых данных как смесь гауссиан для выполнения кластеризации.
Сети глубокой кластеризации подпространств (DSCN)
Архитектура, которая изучает само-выразительные представления для захвата базовой структуры данных, принадлежащих различным линейным подпространствам.
Глубокая спектральная кластеризация
Расширение спектральной кластеризации, где глубокие нейронные сети используются для изучения матрицы сходства и оптимального спектрального представления.
Глубокая кластеризация с сверточными автоэнкодерами (DCC)
Метод, специально разработанный для данных изображений, использующий сверточные автоэнкодеры для извлечения визуальных признаков перед кластеризацией.
Совместное неконтролируемое обучение (JULE)
Фреймворк, который объединяет обучение представлениям и кластеризацию в единый итеративный процесс, чередуя извлечение признаков и назначение кластеров.
DeepCluster
Algorithme itératif qui effectue le clustering sur les caractéristiques extraites par un réseau neuronal, puis utilise les pseudo-étiquettes résultantes pour entraîner le réseau de manière supervisée.
Information Maximizing Deep Clustering (IDEC)
Amélioration du DEC qui préserve la structure locale des données en ajoutant une contrainte de reconstruction pour éviter la dégradation des représentations.
Deep Gaussian Mixture Models (DGMM)
Extension des modèles de mélange gaussien où la fonction de paramétrisation des composants est réalisée par des réseaux de neurones profonds.
Deep Adaptive Clustering (DAC)
Méthode qui s'adapte automatiquement au nombre optimal de clusters en utilisant des contraintes de similarité apprise pendant l'entraînement du réseau.
Self-Expressive Deep Neural Networks
Architecture qui impose une contrainte d'auto-expressivité dans l'espace latent, où chaque échantillon peut être reconstruit comme une combinaison linéaire d'autres échantillons.
Deep Kernel Clustering
Approche qui apprend des noyaux paramétrisés par des réseaux de neurones profonds pour capturer des relations non-linéaires complexes entre les données.
Deep Generative Clustering
Catégorie de méthodes utilisant des modèles génératifs profonds comme les GANs ou VAEs pour modéliser la distribution de données et découvrir simultanément les clusters.
Contrastive Clustering
Technique qui applique des principes d'apprentissage contrastif pour maximiser la similarité intra-cluster et minimiser la similarité inter-cluster dans l'espace latent.
Глубокая многовидовая кластеризация
Расширение многовидовой кластеризации, где глубокие нейронные сети изучают общие и специфичные для каждого вида представления для лучшей интеграции.
Иерархическая глубокая кластеризация
Метод, который строит иерархию кластеров, используя нейронные сети для изучения представлений на различных уровнях гранулярности.