ترجمه فارسی مقاله خوشه‌بندی عمیق از طریق یادگیری توزیع‌شده

چکیده

Distribution learning finds probability density functions from a set of data samples, whereas clustering aims to group similar data points to form clusters. Although there are deep clustering methods that employ distribution learning methods, past work still lacks theoretical analysis regarding the relationship between clustering and distribution learning. Thus, in this work, we provide a theoretical analysis to guide the optimization of clustering via distribution learning. To achieve better results, we embed deep clustering guided by a theoretical analysis. Furthermore, the distribution learning method cannot always be directly applied to data. To overcome this issue, we introduce a clustering-oriented distribution learning method called Monte-Carlo Marginalization for Clustering. We integrate Monte-Carlo Marginalization for Clustering into Deep Clustering, resulting in Deep Clustering via Distribution Learning (DCDL). Eventually, the proposed DCDL achieves promising results compared to state-of-the-art methods on popular datasets. Considering a clustering task, the new distribution learning method outperforms previous methods as well.

چکیده به فارسی (ترجمه ماشینی)

یادگیری توزیع توابع چگالی احتمال را از مجموعه ای از نمونه های داده پیدا می کند ، در حالی که خوشه بندی با هدف گروه بندی نقاط داده مشابه برای تشکیل خوشه است.اگرچه روشهای خوشه بندی عمیق وجود دارد که از روشهای یادگیری توزیع استفاده می کند ، اما کار گذشته هنوز فاقد تحلیل نظری در مورد رابطه بین خوشه بندی و یادگیری توزیع است.بنابراین ، در این کار ، ما یک تحلیل نظری برای هدایت بهینه سازی خوشه بندی از طریق یادگیری توزیع ارائه می دهیم.برای دستیابی به نتایج بهتر ، ما خوشه بندی های عمیق را با هدایت یک تحلیل نظری جاسازی کردیم.علاوه بر این ، روش یادگیری توزیع همیشه نمی تواند به طور مستقیم روی داده ها اعمال شود.برای غلبه بر این مسئله ، ما یک روش یادگیری توزیع خوشه بندی گرا به نام حاشیه نشینی مونت کارلو را برای خوشه بندی معرفی می کنیم.ما حاشیه نشینی مونت کارلو را برای خوشه بندی در خوشه بندی عمیق ادغام می کنیم ، و در نتیجه خوشه بندی های عمیق از طریق یادگیری توزیع (DCDL) ایجاد می شود.سرانجام ، DCDL پیشنهادی در مقایسه با روشهای پیشرفته در مجموعه داده های محبوب به نتایج امیدوارکننده می رسد.با توجه به یک کار خوشه بندی ، روش جدید یادگیری توزیع نیز از روشهای قبلی بهتر عمل می کند.