3.1 基于K-means的深度聚类

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 / )，关于“On the of p-”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( , 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 / )，字典更新与 K-SVD - 凯鲁嘎吉 - 博客园

3.4基于高斯混合模型( 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 by with Graph , DGG)- 凯鲁嘎吉 - 博客园

3.5基于互信息的深度聚类

参考：: 基于对比预测的缺失视图聚类方法，Meta-RL—— and for Meta- - 凯鲁嘎吉 - 博客园

3.6 基于KL的深度聚类

参考：Deep ，关于“ Deep for ”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(, AE)的深度聚类

参考：Deep - 凯鲁嘎吉 - 博客园 (DEC, IDEC, DFKM, DCEC)

4.2基于变分自编码器( , 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( Deep , VaDE)，基于图嵌入的高斯混合变分自编码器的深度聚类(Deep by with Graph , DGG)，元学习——Meta- and ，RL——Deep / Non- - 凯鲁嘎吉 - 博客园

4.3基于生成对抗网络( , GAN)的深度聚类

参考：生成对抗网络(GAN与W-GAN)，: 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( GAN, Actor-, and Meta- )- 凯鲁嘎吉 - 博客园

4.4基于孪生网络( )/对比学习( )的深度聚类

参考：从对比学习( )到对比聚类( )，: 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 )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 of Deep -凯鲁嘎吉-博客园

[4] Deep | Deep 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.