log
pages
@Clustering ensemble via structured hypergraph learning
✅今天做了啥
✈️蜕变
📖读书笔记
😝一生准则
1.2统计学习的分类
1.3统计学习方法三要素
3月实验进展
4.9
404
HTML
2024
2024-1
2024-2
2024-3
2024-4
2024-plan
常见损失
从头搭建
第三大的数
第一篇论文
第一篇论文实现细节
第一篇论文实验
第一篇论文思路
第一篇期间的疑问
读代码准则
读论文现行最终版
读论文准则
对比图
对比学习
对比学习篇
多元线性回归
二进制求和
互信息
基础概念
基础聚类
技术清单
监督学习和非监督学习
练字
临时实验
六级冲冲冲
论文
论文代码工具
论文复现
论文目录
模仿别人论文的写作风格
模型测试
目录测试
钱伟长谈学习方法
强化学习
强化学习dbscan
如何读论文
如何读论文（初期
深度学习
深度学习部分
深度学习算法课
生词库
数据的定义
数组
统计学习方法
统计学习及监督学习概论
图扩散
未命名
未命名 1
未命名思维导图
我的笔记
细碎技巧
小土堆
学术英语写作
学习琐碎
研一课程
研一论文准备工作
一路上遇到的问题
一生目录
用mobilenet做人脸识别大作业
周报
周报与月报
注意力机制
字符串
组会实验进展
最短无序连续子数组
A Survey of Deep Graph Clustering%3A Taxonomy, Challenge, Application, and Open Resource
Adaptive Graph Encoder for Attributed Graph Embedding
Attributed Graph Clustering with Dual Redundancy Reduction
bug
Cluster-guided Contrastive Graph Clustering Network
CNN学习
CommDGI
contents
contrastive cluster
Contrastive Hierarchical Clustering
CONVERT-Contrastive Graph Clustering with Reliable augement
DCRN
Deep Multiview Clustering by Contrasting Cluster Assignments
desktop
INI
Detecting review spammer groups based on generative adversarial networks
dgl-learn
Dink-Net
future work
gcn cluster dict
gcn learn
gpu加速
heterogeneous information
hls__32、统计学习方法李航(非扫描版)_1687258339492_0
hls__32、统计学习方法李航(非扫描版)_1695796968944_0
hls__第二节讲义_1682136737988_0
HSAN
index
HTML
laplacian graph
latex_learn
leetcode
loss_function
MIM高频与对比学习
MixUp
mocov1
Multi-level Graph Contrastive Prototypical Clustering
Neural Network Diffusion
node2vec
Notes
Numpy
numpy pandas conclusion
Pandas
pdf
present
pycharm常用快捷键
python学习
pytorch
q-learning and sarsa
RGC
RGC写作
S3GC
SCGC
Self-Contrastive Graph Diffusion Network
Self-supervised Heterogeneous Graph Neural Network with Co-contrastive Learning
sparse_mx
SPICE-Semantic Pseudo-Labeling for Image Clustering
swav
torch常用操作总结
tqdm
Twin Contrastive Learning for Online Clustering
vscode代码标签准则
wandb
yolov5学习
zotero读论文准则
check-new-release
MJS
index

contrastive cluster

  • acc作为评测指标，是否可以参与到聚类中？(cc这篇文章加入了防坍塌架构，是否可以用acc等指标加大坍塌来使得结果变得更好？）#奇思妙想
    collapsed:: true
    • 类似于gan的结构，一个撑大，一个撑小
  • 问题背景：传统深度聚类需要两步：第一步，生成enconder，第二部，利用kmeans等聚类。这样会导致难以平衡第一步与第二步
  • 问题解决：和swav一样，把聚类和提取特征融合到一起，即将提取出的特征通过一个mlp映射到对应的类上。举例：假设聚类中心数为100
    • 1*128经过一个128*100得到一个1*100的新的提取的特征，这就可以理解为对应的类别
    • 那么，常规对比学习，实例级别
    • $red此次对比学习：创新点
      • 加了一个类间对比学习，如下图（起源自swav，感觉和就是swav上加了一丢丢创新~~）
      • 注意点：cluster-level contrastive head最后一层是softmax层
  • image.png
  • image.png
  • 对比损失：
    • 实例级别对比：
    • 类级别对比：
      • （）
      • 其中（1）式子是防止模型坍塌，可不可以在HY的基础上创新
  • 第三周

    • 待学习：

Table Of Contents
contrastive cluster
待学习：