基于深度学习的非参数聚类方法——DeepDPM

深度学习（DL）在无监督的聚类任务中显示了巨大的前景。虽然如此，在经典（即非深度）聚类中，非参数方法的好处是众所周知的，但大多数深度聚类方法都是参数化的：即它们需要预定义和固定的聚类数量，用K表示。在这项工作中，我们通过引入一种有效的深度聚类方法来弥补这一差距，该方法不需要知道K的值，因为它在学习过程中会推断出K的值。通过使用分裂/合并框架、适应变化的K的动态结构和新的损失，我们提出的方法优于现有的非参数方法（包括经典的和深度的）。虽然现有的极少数深度非参数方法缺乏可扩展性，但我们通过首次报告这种方法在ImageNet上的表现来证明我们的方法。我们还证明了推断K值的重要性，显示了当他们假设的K值与真实的K值相差甚远时，固定K值的方法的性能如何恶化，特别是在不平衡的数据集上。