深度学习聚类的综述
作者：凯鲁嘎吉
来源：博客园
这篇文章对现有的深度聚类算法进行全面综述与总结。现有的深度聚类算法大都由聚类损失与网络损失两部分构成，博客从两个视角总结现有的深度聚类算法，即聚类模型与神经网络模型。
1. 什么是深度聚类？经典聚类即数据通过各种表示学习技术以矢量化形式表示为特征。随着数据变得越来越复杂和复杂，浅层（传统）聚类方法已经无法处理高维数据类型。为了解决该问题，深度聚类的概念被提出，即联合优化表示学习和聚类。
2. 从两个视角看深度聚类
3. 从聚类模型看深度聚类3.1 基于k-means的深度聚类参考：聚类——k-means - 凯鲁嘎吉 - 博客园
3.2 基于谱聚类的深度聚类参考：多视图子空间聚类/表示学习(multi-view subspace clustering/representation learning) ，关于“on the eigenvectors of p-laplacian”目标函数的优化问题 - 凯鲁嘎吉 - 博客园
3.3 基于子空间聚类(subspace clustering, sc)的深度聚类
参考：深度多视图子空间聚类，多视图子空间聚类/表示学习(multi-view subspace clustering/representation learning)，字典更新与 k-svd - 凯鲁嘎吉 - 博客园
3.4 基于高斯混合模型(gaussian mixture model, gmm)的深度聚类
参考：聚类——gmm，基于图嵌入的高斯混合变分自编码器的深度聚类(deep clustering by gaussian mixture variational autoencoders with graph embedding, dgg) - 凯鲁嘎吉 - 博客园
3.5 基于互信息的深度聚类
参考：completer: 基于对比预测的缺失视图聚类方法，meta-rl——decoupling exploration and exploitation for meta-reinforcement learning without sacrifices - 凯鲁嘎吉 - 博客园
3.6 基于kl的深度聚类
参考：deep clustering algorithms ，关于“unsupervised deep embedding for clustering analysis”的优化问题，结构深层聚类网络，具有协同训练的深度嵌入多视图聚类 - 凯鲁嘎吉 -博客园
4. 从神经网络模型看深度聚类4.1 基于自编码器(autoencoder, ae)的深度聚类参考：deep clustering algorithms - 凯鲁嘎吉 - 博客园 (dec, idec, dfkm, dcec)
4.2 基于变分自编码器(variational autoencoder, vae)的深度聚类
参考：变分推断与变分自编码器，变分深度嵌入(variational deep embedding, vade) ，基于图嵌入的高斯混合变分自编码器的深度聚类(deep clustering by gaussian mixture variational autoencoders with graph embedding, dgg)，元学习——meta-amortized variational inference and learning，rl——deep reinforcement learning amidst continual/lifelong structured non-stationarity - 凯鲁嘎吉 - 博客园
4.3 基于生成对抗网络(generative adversarial network, gan)的深度聚类参考：生成对抗网络(gan与w-gan) ，clustergan: 生成对抗网络中的潜在空间聚类，双层优化问题：统一gan，演员-评论员与元学习方法(bilevel optimization problem unifies gan, actor-critic, and meta-learning methods) - 凯鲁嘎吉 - 博客园
4.4 基于孪生网络(siamese neural network)/对比学习(contrastive learning)的深度聚类参考：从对比学习(contrastive learning)到对比聚类(contrastive clustering)，completer: 基于对比预测的缺失视图聚类方法 - 凯鲁嘎吉 - 博客园
4.5 基于图神经网络(graph neural network)的深度聚类
参考：结构深层聚类网络 - 凯鲁嘎吉 -博客园
参考文献
[1] 第40期：基于深度神经网络的聚类算法——郭西风
[2] 物以类聚人以群分：聚类分析的一些挑战和进展 - 凯鲁嘎吉 - 博客园
[3] a survey of deep clustering algorithms - 凯鲁嘎吉 - 博客园
[4] deep clustering | deep learning notes
[5] 郭西风. 基于深度神经网络的图像聚类算法研究[d]. 国防科技大学, 2020.
作者：凯鲁嘎吉
出处：http://www.cnblogs.com/kailugaji/
NOISEKEN ESS-2000 静电放电发生器
PCB layout中的走线设计
Spring Boot如何实现日志链路追踪
贵州大力推动大数据发展，构建开放体系完善物流促进外贸推动“外循环”
中国第3代半导体半导体理想封装材料——高导热氮化硅陶瓷基板突破“卡脖子”难题
深度学习聚类的综述
Dropout如何成为SDR的特殊情况
以太网的三件事您应了如指掌
F192万用示波器的应用特点和多种带宽选择介绍
鱼与熊掌不可兼得!旧金山成为全球被禁止使用人脸识别技术的城市
加西贝拉即将推出的新产品采用意法半导体的先进电源技术
如何快速检查电动机控制电路_检查线路步骤及方法
招投标资讯｜2022年联通数科物联网事业部南京南部新城智慧灯杆建设（二期）公开比选项目
关于电声配件行业防尘防水透声膜的解决方案
传三星新获屏下光学指纹识别专利 Note 9手机首发
AI的发展也许已经悄然进入2.0阶段
回顾2019GTC大会上中国初创企业的最新技术和创新展示方案
11月底全国范围内正式提供携号转网服务
明基PD2700Q和戴尔U2719DS，看完你就知道应该选择哪一个！
如何评价马云的无人超市？
来源：博客园
这篇文章对现有的深度聚类算法进行全面综述与总结。现有的深度聚类算法大都由聚类损失与网络损失两部分构成，博客从两个视角总结现有的深度聚类算法，即聚类模型与神经网络模型。
1. 什么是深度聚类？经典聚类即数据通过各种表示学习技术以矢量化形式表示为特征。随着数据变得越来越复杂和复杂，浅层（传统）聚类方法已经无法处理高维数据类型。为了解决该问题，深度聚类的概念被提出，即联合优化表示学习和聚类。
2. 从两个视角看深度聚类
3. 从聚类模型看深度聚类3.1 基于k-means的深度聚类参考：聚类——k-means - 凯鲁嘎吉 - 博客园
3.2 基于谱聚类的深度聚类参考：多视图子空间聚类/表示学习(multi-view subspace clustering/representation learning) ，关于“on the eigenvectors of p-laplacian”目标函数的优化问题 - 凯鲁嘎吉 - 博客园
3.3 基于子空间聚类(subspace clustering, sc)的深度聚类
参考：深度多视图子空间聚类，多视图子空间聚类/表示学习(multi-view subspace clustering/representation learning)，字典更新与 k-svd - 凯鲁嘎吉 - 博客园
3.4 基于高斯混合模型(gaussian mixture model, gmm)的深度聚类
参考：聚类——gmm，基于图嵌入的高斯混合变分自编码器的深度聚类(deep clustering by gaussian mixture variational autoencoders with graph embedding, dgg) - 凯鲁嘎吉 - 博客园
3.5 基于互信息的深度聚类
参考：completer: 基于对比预测的缺失视图聚类方法，meta-rl——decoupling exploration and exploitation for meta-reinforcement learning without sacrifices - 凯鲁嘎吉 - 博客园
3.6 基于kl的深度聚类
参考：deep clustering algorithms ，关于“unsupervised deep embedding for clustering analysis”的优化问题，结构深层聚类网络，具有协同训练的深度嵌入多视图聚类 - 凯鲁嘎吉 -博客园
4. 从神经网络模型看深度聚类4.1 基于自编码器(autoencoder, ae)的深度聚类参考：deep clustering algorithms - 凯鲁嘎吉 - 博客园 (dec, idec, dfkm, dcec)
4.2 基于变分自编码器(variational autoencoder, vae)的深度聚类
参考：变分推断与变分自编码器，变分深度嵌入(variational deep embedding, vade) ，基于图嵌入的高斯混合变分自编码器的深度聚类(deep clustering by gaussian mixture variational autoencoders with graph embedding, dgg)，元学习——meta-amortized variational inference and learning，rl——deep reinforcement learning amidst continual/lifelong structured non-stationarity - 凯鲁嘎吉 - 博客园
4.3 基于生成对抗网络(generative adversarial network, gan)的深度聚类参考：生成对抗网络(gan与w-gan) ，clustergan: 生成对抗网络中的潜在空间聚类，双层优化问题：统一gan，演员-评论员与元学习方法(bilevel optimization problem unifies gan, actor-critic, and meta-learning methods) - 凯鲁嘎吉 - 博客园
4.4 基于孪生网络(siamese neural network)/对比学习(contrastive learning)的深度聚类参考：从对比学习(contrastive learning)到对比聚类(contrastive clustering)，completer: 基于对比预测的缺失视图聚类方法 - 凯鲁嘎吉 - 博客园
4.5 基于图神经网络(graph neural network)的深度聚类
参考：结构深层聚类网络 - 凯鲁嘎吉 -博客园
参考文献
[1] 第40期：基于深度神经网络的聚类算法——郭西风
[2] 物以类聚人以群分：聚类分析的一些挑战和进展 - 凯鲁嘎吉 - 博客园
[3] a survey of deep clustering algorithms - 凯鲁嘎吉 - 博客园
[4] deep clustering | deep learning notes
[5] 郭西风. 基于深度神经网络的图像聚类算法研究[d]. 国防科技大学, 2020.
作者：凯鲁嘎吉
出处：http://www.cnblogs.com/kailugaji/
NOISEKEN ESS-2000 静电放电发生器
PCB layout中的走线设计
Spring Boot如何实现日志链路追踪
贵州大力推动大数据发展，构建开放体系完善物流促进外贸推动“外循环”
中国第3代半导体半导体理想封装材料——高导热氮化硅陶瓷基板突破“卡脖子”难题
深度学习聚类的综述
Dropout如何成为SDR的特殊情况
以太网的三件事您应了如指掌
F192万用示波器的应用特点和多种带宽选择介绍
鱼与熊掌不可兼得!旧金山成为全球被禁止使用人脸识别技术的城市
加西贝拉即将推出的新产品采用意法半导体的先进电源技术
如何快速检查电动机控制电路_检查线路步骤及方法
招投标资讯｜2022年联通数科物联网事业部南京南部新城智慧灯杆建设（二期）公开比选项目
关于电声配件行业防尘防水透声膜的解决方案
传三星新获屏下光学指纹识别专利 Note 9手机首发
AI的发展也许已经悄然进入2.0阶段
回顾2019GTC大会上中国初创企业的最新技术和创新展示方案
11月底全国范围内正式提供携号转网服务
明基PD2700Q和戴尔U2719DS，看完你就知道应该选择哪一个！
如何评价马云的无人超市？