详细来说，结合深度学习的聚类算法通过利用深度神经网络的强大特色提取能力，自动学习和识别数据中的繁芜构造和模式，能够在无需人工干预的情形下实现更高的聚类性能和准确度。
比如集成时空深度聚类（ISTDC）模型，它利用四种算法和变分贝叶斯高斯稠浊模型（VBGMM）聚类方法进行解释，在0-back与2-back任务上该模型实现了最高均匀聚类准确率98.0%，比现有方法提高了11.0%。
除ISTDC外，还有一些很值得学习的深度学习聚类算法最新成果，我从中挑选了11篇，大略提炼了可参考的创新点，希望可以给同学们供应论文灵感。
论文原文+开源代码须要的同学关注“学姐带你玩AI”公众年夜众号，那边回答“新聚类”获取。
方法：论文提出一种基于ISTDC框架的深度聚类模型，并比较其与现有研究的差异。研究缺口在于目前的模型对付相同实验数据集的分类准确性较低，而这篇论文的紧张贡献是提出了一种有效的深度特色表示方法，以及利用VBGMM聚类方法对事情负荷水平进行分类。方法包括实验设计和数据采集，以及对聚类结果和性能进行剖析。
创新点：
提出的多模态深度VAE模型与VBGMM聚类方法相结合，用于事情负荷分类。提出的IST-VAE模型的性能在很大程度上取决于VAE模型的构造和超参数。提出的多模态深度聚类模型在具有不同任务繁芜度的三种不同事情负荷条件下进行评估。提出的IST-VAE模型的整体繁芜度为（LSTM网络的韶光繁芜度 + CNN模型的打算繁芜度 + VBGMM聚类算法的繁芜度）。Gene-SGAN: discovering disease subtypes with imaging and genetic signatures via multi-view weakly-supervised deep clustering方法：Gene-SGAN是一种基于天生对抗网络和变分推断的基因勾引弱监督聚类方法，旨在从表型和基因特色中识别与疾病干系的亚型，具有独特的影像和基因特色。该方法通过从参考总体（例如康健对照的脑丈量）到目标总体（例如患者行列步队）的表型丈量的一对多映射，学习捕捉与疾病干系的多样性脑变革模式，以减少与疾病无关的变革的稠浊成分，如人口统计成分或与疾病无关的基因影响。
创新点：
Gene-SGAN是一种基于天生对抗网络和变分推断的多视图弱监督深度聚类方法，用于从基因和成像特色中识别与疾病干系的亚型。Gene-SGAN通过学习天生模型从参考人群（例如康健对照组）到目标人群（例如患者群体）的表型丈量之间的一对多映射，从而捕捉与疾病干系的大脑变革模式的多样性。Gene-SGAN通过低维潜变量空间将表型和基因的异质性分解为反响疾病亚型的潜变量。Hard Sample Aware Network for Contrastive Deep Graph Clustering方法：本论文提出了一种新的比拟深度图聚类方法，称为Hard Sample Aware Network (HSAN)。该方法通过设计综合相似度度量准则和动态样本加权策略，勾引网络关注难以区分的正样本和负样本。
创新点：
提出了Hard Sample Aware Network (HSAN)方法，通过引入综合相似性度量准则和动态样本加权策略，勾引网络关注难样本。设计了全面的相似性度量准则，同时考虑属性和构造信息，更好地揭示样本间的关系。提出了样本加权策略，动态加权难样本对，降落易样本对的权重，从而提高网络的区分能力。Hard Regularization to Prevent Deep Online Clustering Collapse without Data Augmentation方法：本文提出了一种无数据增强的在线深度聚类方法，旨在防止聚类崩溃。作者通过概率化的办法来决定将一批数据点分配给哪个聚类簇，给定聚类中央和数据点的特色，从而推导出一种直不雅观的优化目标，用于进行硬聚类分配。
创新点：
提出了一种无数据增强的在线深度聚类方法，通过正则化硬分配来防止坍塌问题。在贝叶斯框架中表达了聚类问题，推导出一个直不雅观的优化目标，并证明了与最大化聚类分配和数据索引之间的互信息的目标的等效性。该方法在四个常用图像聚类数据集上优于现有方法，并且能够供应更准确的聚类结果。论文原文+开源代码须要的同学关注“学姐带你玩AI”"大众年夜众号，那边回答“新聚类”获取。