行知论坛217:深度聚类—从单模态到多模态

时间:2019-08-22浏览:545设置

报告题目:深度聚类——从单模态到多模态

报告专家:彭玺 (四川大学) 

报告时间:2019年826日上午1000 

报告地点:4042报告厅

  

    摘要:无监督学习或称为无标记学习被认为是深度学习的关键挑战之一。不同于有监督学习,无监督学习的关键在于如何找到某一种潜藏先验,并形式为监督信号用于指导学习。本报告中,专家将就近期的一些工作进行汇报。首先,受到经典k-means聚类算法的启发,从可微编程的角度将k-means重铸为一个神经网络。相对于k-means,提出的k-meansNet能作为一个模块平滑地嵌入到任何神经网络中,从而进行端到端的学习,以获得更好的表示学习和聚类能力;相对于现有的基于神经网络的聚类方法,提出的k-meansNet具有结构和结果的可解释性。同时对其收敛性、去耦合性在理论上进行了讨论和提供了分析。此外,报告就如何利用多模态数据在个体和个体间关系的一致性实现无监督学习进行探讨。通过对传统谱聚类进行重铸,构建一个正交化层,我们IJCAI19的工作较早地将多模态聚类从浅层模型推广到深层模型,其在分类、聚类及检索中均取得当前较好结果。通过强制数据在跨模态关系一致性,我们ICML19的工作使得算法能以数据驱动的方式自适应地学习包括聚类数在内的所有参数,避免了模型选择,使得无参化多视图聚类成为可能。

 

     彭玺,四川大学研究员,博士生导师,中组部千人计划青年项目入选者。视觉与学习青年学者研讨会(VALSE)首届执行领域主席委员会(EACC)主席,中国图形图像学会青工委副秘书长,IEEE Trans on SMC: Systems等三个国际SCI期刊编委(AE)。主要研究方向包括无监督学习及其在多媒体计算、视觉计算、自然语言处理等领域中的应用,在TPAMITNNLSTIPTIFSICMLCVPRICCVAAAIIJCAI等国际重要SCI期刊和会议发表多篇论文。

  

  

  

返回原图
/