论文笔记：Deep Fuzzy K-Means with Adaptive Loss and Entropy Regularization

最新推荐文章于 2026-03-30 08:47:11 发布
原创 最新推荐文章于 2026-03-30 08:47:11 发布 · 2.6k 阅读 · 9
本文介绍了一种深度模糊K均值聚类方法（DFKM），结合自动编码器提取深层特征，适用于大数据和非线性数据分布。DFKM通过自适应加权损失函数增强模型鲁棒性，并利用熵正则化确定赋值置信度。

Deep Fuzzy K-Means with Adaptive Loss and Entropy Regularization

1 摘要

文章的主要研究内容(DFKM)：
1.将模糊聚类加入到自动编码器中以提取更合适的深层特征。
2.文章提出的DFKM进行深层的特征提取和模糊聚类，并且同时产生更合适的非线性特征映射。
3.为了增强模型的鲁棒性，构造了自适应加权损失函数。
4.采用熵正则化的方法来确定每个赋值的置信度，相应的隶属度矩阵和质心矩阵用闭式解而不是SGD来更新。
DFKM研究框架：
在这里插入图片描述
将聚类是嵌入训练神经网络，以便自动编码器能够映射数据到一个更合适的深度特征空间。文章中的DFKM同时进行深度特征提取和聚类.
DFKM优点：
基于大数据和非线性数据分布提出的。

2 研究方法

A、 Adaptive Loss Function

  1. L2-norm：在各种模型中经常使用，对较大的离群值很敏感，但在离群值较小时对目标有更好的影响。
    在这里插入图片描述
  2. L1-norm：对于小的异常值有
最低0.47元/天 解锁文章
模糊评价matlab代码-DFKM:DFKM
06-03
可疑评价 matlab代码对应论文 本项目对应论文 Rui Zhang、Xuelong Li、Hongyuan Zhang 和 Feiping Nie，“具有自适应损失和熵正则化的深度模糊 K 均值”， IEEE 模糊系统汇刊，DOI：10.1109/TFUZZ.2019.2945232。 已于 2019 年 9 月接受。 代码作者 张宏远和张锐 依赖 现在可以使用pytorch实现的DFKM代码： 由于某些原因，**version-1 是在没有任何框架的帮助下实现的，例如 pytorch-1.3.1 麻木的 scikit 学习 scipy 简单的介绍 DFKM.py：DFKM 的主要源代码。 data_loader.py：从 matlab 文件 (*.mat) 加载数据。 utils.py：实验中使用的函数。 metric.py：用于评估聚类结果的代码。 运行代码的示例如下 import data_loader as loader data , labels = loader . load_data ( loader . USPS ) data = data . T for lam
dfkm:别他妈的杀了我 (API)
06-25
公里数 不要他妈的杀了我（API） API 和一些未完成的前端内容，以提高对 Cycle 危险热点的认识。 Rest API 已完成： 获取所有热点区域 提交新的风险区域 应用程序的： 用于提醒用户进入/退出区域的 Android 应用 网络应用程序： 用于创建区域的未完成的 Web 应用程序（手动） 其他的东西： 事故数据风险计算
【多任务学习的自适应损失权重调整策略的方法】
m0_56261792的博客
02-27 4751
多任务学习是指在一个模型中学习多个任务，通过共享模型参数来提高效率和泛化能力。自适应损失权重调整策略是指在多任务学习中，根据不同任务的难度和重要性，动态地调整每个任务的损失权重，以提高模型的性能。
深度聚类算法的结果比较
Micheal 超 的博客
05-28 2904
DEC （Unsupervised Deep Embedding for Clustering Analysis） IDEC （Improved Deep Embedded Clustering with Local Structure Preservation） DCEC （Deep Clustering with Convolutional Autoencoders） DFKM （Deep Fuzzy K-Means with Adaptive Loss and Entropy Regulari.
K-means十年演进
最新发布
jzwspace的专栏
03-30 116
摘要 2015-2025年，K-means算法经历了从经典聚类工具到大模型时代语义理解核心组件的演进。最初作为结构化数据的静态分簇方法，K-means通过分布式优化、深度嵌入聚类和联邦学习等创新，逐步适应大数据、隐私计算及非结构化数据场景。 核心突破包括： 工程化成熟（2015-2017）：K-means++、Mini-Batch优化提升效率，Spark MLlib实现分布式扩展。 高维与隐私突破（2018-2020）：深度K-means融合神经网络特征，联邦学习解决跨域数据协同问题。 国产化与生态融合：国
K-Means和Fuzzy C-Means聚类算法原理以及python代码实现
weixin_44424296的博客
11-15 1871
K-Means和Fuzzy C-Means聚类算法原理以及python代码实现1.K-Means聚类1、原理2、python实现2.Fuzzy C-Means聚类1、原理2、python实现 1.K-Means聚类 1、原理 K-Means算法原理       网上有很多关于K-Means算法的原理，当然通过阅读《统计学习方法》也可以知道K-Means聚类的原理，我这个比较懒，在这里就不打出详细的原理了，具体的可以参考上面的链接，写的很详细。   &nbsp
【转】Deep Clustering Algorithms
boooiaji的博客
01-02 1594
全文转载自 https://www.cnblogs.com/kailugaji/p/12105939.html 阅读目录(Content)Deep Clustering Algorithms1. Deep Embedded Clustering1.1 Stochastic Neighbor Embedding (SNE)1.2 t-SNE1.3 Deep Embedded Clustering(DEC)2. Improved Deep Embedded Clustering(I
自适应权重函数——基本原理
qq_35623594的博客
08-18 5588
自适应权重函数是一种动态调整权重的方法，用于改进模型的性能或优化问题的解决方案。它通常应用于机器学习、信号处理、控制系统和优化等领域。其核心思想是根据数据或环境的变化自适应地调整权重，以提高模型的准确性或系统的稳定性。
【多任务损失】用不确定度来自适应设定各损失函数的权重
欢迎来到斑斓的博客，有问题私信交流
10-22 1887
依据Multi-Task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics来推导多任务权重的自适应设定原理
MSCG-Net:具有自适应类加权损失的语义分割的多视图自构造图卷积网络
05-02
MSCG-Net用于语义分割 介绍 该存储库包含用于在“ （CVPR 2020）中进行语义分割的MSCG-Net模型（MSCG-Net-50和MSCG-Net-101），以及在PyTorch中实施的培训和测试模型的流水线。 有关详细信息，请参阅我们的论文： 代码结构 ├── config # config code ├── data # dataset loader and pre-processing code ├── tools # train and test code, ckpt and model_load ├── lib # model block, loss, utils code, etc └── ckpt # output check point, trained weights, log files, etc 环境环境 python 3.5+ pytor
“语义分割过程中具有自适应类加权损失的多视图自构造图卷积网络”论文简读
如果想成为中心，那么就到中心去吧。
12-19 890
code: https://github.com/samleoqh/MSCG-Net 文章目录摘要论文的贡献 摘要 我们提出了一种新的架构，称为多视图自构造图卷积网络(MSCGNet)的语义分割。在最近提出的自构造图(SCG)模块的基础上，利用可学习的潜在变量直接从输入特征自构建底层图，而不依赖于人工构建的先验知识图，我们利用多个视图来显式地利用机载图像中的旋转不变性。我们进一步发展了一个自适应的类加权损失来解决类的不平衡。我们在农业视觉挑战数据集上证明了所提出的方法的有效性和灵活性，我们的模型与相关的基.
多任务自适应损失权重
吉良的博客
07-21 7878
多任务自适应损失权重 在训练多任务的时候，当不同任务的数据量不平衡、各任务难易程度不同等等情况下，会导致不同任务的损失差异较大， 导致：有些任务学的过快，有些任务学的过慢；简单的任务都已经过拟合了，困难的任务才开始有效果等等结果。 这时候，我们有必要干涉一下不同任务的优化力度，如：给不同任务设置超参，通过超参平衡不同任务的。 eg: 先给困难任务分配一个较大权重，简单任务分配一个较小权重，已使困难样本优化的更快，当困难任务和简单任务差不多平衡后再把两个的权重调整到平衡。 但这样有一个问题就是来回修改超参，繁
基于模糊K均值FuzzyKMeans聚类的协同过滤推荐算法代码实现（输出聚类计算过程，分布图展示）
linge511873822的博客
12-04 1726
基于模糊K均值FuzzyKMeans聚类的协同过滤推荐算法代码实现（输出聚类计算过程，分布图展示） 聚类(Clustering)就是将数据对象分组成为多个类或者簇 (Cluster)，它的目标是：在同一个簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大。所以，在很多应用中，一个簇中的数据对象可以被作为一个整体来对待，从而减少计算量或者提高计算质量。 一、FuzzyKMeans聚类算法实...
改善深层神经网络第一周-Regularization
Suika_Neko的博客
11-27 5660
RegularizationWelcome to the second assignment of this week. Deep Learning models have so much flexibility and capacity that overfitting can be a serious problem, if the training dataset is not big eno
自动编码器是什么？教你如何使用自动编码器增强模糊图像
AI科技大本营
03-31 3839
来源 | 数据派 THU概述自动编码器是什么？自动编码器是如何工作的？本文将回答这些问题。我们将通过一个案例——如何提高模糊图像的分辨率，来探讨自动编码器的概念。简介你还记得胶卷相机的...
EWFCM属性权重正则化
wonderseen的博客
04-29 1345
作者 : wonderseen 时间：2018/04/29科研不易，谢绝转载~        阿里计算机视觉二面，面试官指出我学的不够系统，于是我决定回炉重造，重头再整优化理论。我在实验室研究的理论是FCM，所以这里由FCM入手，陆续探究几种正则化降低算法复杂度上的原理。通过对FCM的解释，希望能够帮助你更容易地理解神经网络中正则化技术的原理。此篇，我通过整理2016年EWFCM论文内容，来谈属性...
自适应权重
qq_45809323的博客
10-18 4369
自适应权重是一种通过模型内部动态调整权重的技术，使得模型可以更灵活地适应输入数据、任务需求或模型状态的变化。这种技术在多任务学习、优化器、注意力机制等多个领域中得到了广泛应用，显著提升了模型的性能和效率。
聚类（2）-- Fuzzy k-means clustering
静子的杂谈
10-09 2347
在传统的k-means聚类算法的每步迭代中，每个数据点被硬划分到一个cluster。Fuzzy k-means试图松弛上述条件，即认为每个数据点与cluster center之间的membership不是取自｛0，1｝，而是[0,1]，而上述membership就是当前数据点属于一个cluster center所代表的cluster的概率。 Fuzzy k-means聚类算法试图最小化如下cos
Clustering: Fuzzy K-Means
浪不虚传
05-09 608
  Fuzzy K-Means 与kmeans的区别在于fuzzy, 聚类不明确，只是提供一个隶属度。可以理解成样本属于某个簇的概率 算法步骤： a. 设定聚类的个数K b. 选取样本集中k个样本做为簇的中心C c. 计算隶属度矩阵        其中，m是样本的属性个数。 d. 根据隶属度更新簇中心    e. 循环步骤c和d, 直到中心点不再变化，或者其他的终止条件...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值