Cristin-resultat-ID: 1536727
Sist endret: 19. februar 2018 11:58
NVI-rapporteringsår: 2017
Resultat
Vitenskapelig Kapittel/Artikkel/Konferanseartikkel
2017

Deep divergence-based clustering

Bidragsytere:
  • Michael C. Kampffmeyer
  • Sigurd Løkse
  • Filippo Maria Bianchi
  • Lorenzo Livi
  • Arnt Børre Salberg og
  • Robert Jenssen

Bok

2017 IEEE 27th International Workshop on Machine Learning for Signal Processing (MLSP)
ISBN:
  • 978-1-5090-6341-3

Utgiver

IEEE Signal Processing Society
NVI-nivå 1

Om resultatet

Vitenskapelig Kapittel/Artikkel/Konferanseartikkel
Publiseringsår: 2017
ISBN:
  • 978-1-5090-6341-3

Importkilder

Scopus-ID: 2-s2.0-85042259523

Klassifisering

Fagfelt (NPI)

Fagfelt: Matematikk
- Fagområde: Realfag og teknologi

Beskrivelse Beskrivelse

Tittel

Deep divergence-based clustering

Sammendrag

A promising direction in deep learning research is to learn representations and simultaneously discover cluster structure in unlabeled data by optimizing a discriminative loss function. Contrary to supervised deep learning, this line of research is in its infancy and the design and optimization of a suitable loss function with the aim of training deep neural networks for clustering is still an open challenge. In this paper, we propose to leverage the discriminative power of information theoretic divergence measures, which have experienced success in traditional clustering, to develop a new deep clustering network. Our proposed loss function incorporates explicitly the geometry of the output space, and facilitates fully unsupervised training end-to-end. Experiments on real datasets show that the proposed algorithm achieves competitive performance with respect to other state-of-the-art methods.

Bidragsytere

Michael Kampffmeyer

Bidragsyterens navn vises på dette resultatet som Michael C. Kampffmeyer
  • Tilknyttet:
    Forfatter
    ved Institutt for fysikk og teknologi ved UiT Norges arktiske universitet

Sigurd Løkse

  • Tilknyttet:
    Forfatter
    ved Institutt for fysikk og teknologi ved UiT Norges arktiske universitet

Filippo Maria Bianchi

  • Tilknyttet:
    Forfatter
    ved Institutt for fysikk og teknologi ved UiT Norges arktiske universitet

Lorenzo Livi

  • Tilknyttet:
    Forfatter
    ved University of Exeter

Arnt-Børre Salberg

Bidragsyterens navn vises på dette resultatet som Arnt Børre Salberg
  • Tilknyttet:
    Forfatter
    ved Jordobservasjon ved Norsk Regnesentral
1 - 5 av 6 | Neste | Siste »

Resultatet er en del av Resultatet er en del av

2017 IEEE 27th International Workshop on Machine Learning for Signal Processing (MLSP).

IEEE, Signal Processing Society. 2017, IEEE Signal Processing Society. Vitenskapelig antologi/Konferanseserie
1 - 1 av 1