ترجمه فارسی مقاله یادگیری بازنمایی سازگار با خوشه‌بندی برای بهبود ویژگی‌های برجسته

چکیده

Recently, representation learning with contrastive learning algorithms has been successfully applied to challenging unlabeled datasets. However, these methods are unable to distinguish important features from unimportant ones under simply unsupervised settings, and definitions of importance vary according to the type of downstream task or analysis goal, such as the identification of objects or backgrounds. In this paper, we focus on unsupervised image clustering as the downstream task and propose a representation learning method that enhances features critical to the clustering task. We extend a clustering-friendly contrastive learning method and incorporate a contrastive analysis approach, which utilizes a reference dataset to separate important features from unimportant ones, into the design of loss functions. Conducting an experimental evaluation of image clustering for three datasets with characteristic backgrounds, we show that for all datasets, our method achieves higher clustering scores compared with conventional contrastive analysis and deep clustering methods.

چکیده به فارسی (ترجمه ماشینی)

به تازگی ، یادگیری بازنمایی با الگوریتم های یادگیری متضاد با موفقیت در مورد مجموعه داده های بدون برچسب به چالش کشیده شده است.با این حال ، این روش ها قادر به تشخیص ویژگی های مهم از موارد غیر مهم تحت تنظیمات صرفاً بدون نظارت نیستند ، و تعاریف اهمیت با توجه به نوع کار پایین دست یا هدف تجزیه و تحلیل ، مانند شناسایی اشیاء یا پیشینه متفاوت است.در این مقاله ، ما بر روی خوشه بندی تصویر بدون نظارت به عنوان وظیفه پایین دست تمرکز می کنیم و یک روش یادگیری بازنمایی را پیشنهاد می کنیم که ویژگی های مهم برای کار خوشه بندی را افزایش می دهد.ما یک روش یادگیری متضاد متضاد خوشه بندی را گسترش می دهیم و یک روش تجزیه و تحلیل متضاد را شامل می شویم ، که از یک مجموعه داده مرجع برای جدا کردن ویژگی های مهم از موارد مهم ، در طراحی توابع ضرر استفاده می کند.انجام یک ارزیابی تجربی از خوشه بندی تصویر برای سه مجموعه داده با پیشینه مشخصه ، ما نشان می دهیم که برای همه مجموعه داده ها ، روش ما به نمرات خوشه بندی بالاتر در مقایسه با تجزیه و تحلیل متضاد معمولی و روش های خوشه بندی عمیق می رسد.