來源：博客園

這篇文章對現有的深度聚類算法進行全面綜述與總結。現有的深度聚類算法大都由聚類損失與網絡損失兩部分構成，博客從兩個視角總結現有的深度聚類算法，即聚類模型與神經網絡模型。

1. 什么是深度聚類？

2. 從兩個視角看深度聚類

3. 從聚類模型看深度聚類

3.1 基于K-means的深度聚類

3.2 基于譜聚類的深度聚類

3.3基于子空間聚類(Subspace Clustering, SC)的深度聚類

參考：深度多視圖子空間聚類，多視圖子空間聚類/表示學習(Multi-view Subspace Clustering/Representation Learning)，字典更新與 K-SVD - 凱魯嘎吉 - 博客園

3.4基于高斯混合模型(Gaussian Mixture Model, GMM)的深度聚類

參考：聚類——GMM，基于圖嵌入的高斯混合變分自編碼器的深度聚類(Deep Clustering by Gaussian Mixture Variational Autoencoders with Graph Embedding, DGG)- 凱魯嘎吉 - 博客園

3.5基于互信息的深度聚類

參考：COMPLETER: 基于對比預測的缺失視圖聚類方法，Meta-RL——Decoupling Exploration and Exploitation for Meta-Reinforcement Learning without Sacrifices - 凱魯嘎吉 - 博客園

3.6 基于KL的深度聚類

參考：Deep Clustering Algorithms ，關于“Unsupervised Deep Embedding for Clustering Analysis”的優化問題，結構深層聚類網絡，具有協同訓練的深度嵌入多視圖聚類- 凱魯嘎吉 -博客園

4.從神經網絡模型看深度聚類

4.1基于自編碼器(AutoEncoder, AE)的深度聚類

4.2基于變分自編碼器(Variational AutoEncoder, VAE)的深度聚類

參考：變分推斷與變分自編碼器，變分深度嵌入(Variational Deep Embedding, VaDE)，基于圖嵌入的高斯混合變分自編碼器的深度聚類(Deep Clustering by Gaussian Mixture Variational Autoencoders with Graph Embedding, DGG)，元學習——Meta-Amortized Variational Inference and Learning，RL——Deep Reinforcement Learning amidst Continual/Lifelong Structured Non-Stationarity - 凱魯嘎吉 - 博客園

4.3基于生成對抗網絡(Generative Adversarial Network, GAN)的深度聚類

4.4基于孿生網絡(Siamese Neural Network)/對比學習(Contrastive Learning)的深度聚類

4.5基于圖神經網絡(Graph Neural Network)的深度聚類

參考：結構深層聚類網絡 - 凱魯嘎吉 -博客園

參考文獻

[1]第40期：基于深度神經網絡的聚類算法——郭西風

[2]物以類聚人以群分：聚類分析的一些挑戰和進展-凱魯嘎吉-博客園

[3] A Survey of Deep Clustering Algorithms -凱魯嘎吉-博客園

[4] Deep Clustering | Deep Learning Notes

[5]郭西風.基于深度神經網絡的圖像聚類算法研究[D].國防科技大學,2020.

聲明

作者：凱魯嘎吉

出處：http://www.cnblogs.com/kailugaji/

本文版權歸作者和博客園共有，歡迎轉載，但未經作者同意必須在文章頁面給出原文鏈接，否則保留追究法律責任的權利。

END

（添加請備注公司名和職稱）