作者：凯鲁嘎吉
这篇博客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？
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
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 Subspace Clustering/Representation Learning) ，关于“On the eigenvectors of p-Laplacian”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(Subspace Clustering, 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 Subspace Clustering/Representation Learning)，字典更新与K-SVD - 凯鲁嘎吉 - 博客园
3.4 基于高斯混合模型(Gaussian Mixture 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 Clustering by Gaussian Mixture Variational Autoencoders with Graph Embedding, DGG) - 凯鲁嘎吉 - 博客园
3.5 基于互信息的深度聚类
参考：COMPLETER: 基于对比预测的缺失视图聚类方法，Meta-RL——Decoupling Exploration and Exploitation for Meta-Reinforcement Learning without Sacrifices - 凯鲁嘎吉 - 博客园
3.6 基于KL的深度聚类
参考：Deep Clustering Algorithms ，关于“Unsupervised Deep Embedding for Clustering Analysis”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(AutoEncoder, AE)的深度聚类
参考：Deep Clustering Algorithms - 凯鲁嘎吉 - 博客园 (DEC, IDEC, DFKM, DCEC)
4.2 基于变分自编码器(Variational AutoEncoder, 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(Variational Deep Embedding, VaDE) ，基于图嵌入的高斯混合变分自编码器的深度聚类(Deep Clustering by Gaussian Mixture Variational Autoencoders with Graph Embedding, DGG)，元学习——Meta-Amortized Variational Inference and Learning，RL——Deep Reinforcement Learning amidst Continual/Lifelong Structured Non-Stationarity - 凯鲁嘎吉 - 博客园
4.3 基于生成对抗网络(Generative Adversarial Network, GAN)的深度聚类
参考：生成对抗网络(GAN与W-GAN) ，ClusterGAN: 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(Bilevel Optimization Problem unifies GAN, Actor-Critic, and Meta-Learning Methods) - 凯鲁嘎吉 - 博客园
4.4 基于孪生网络(Siamese Neural Network)/对比学习(Contrastive Learning)的深度聚类
参考：从对比学习(Contrastive Learning)到对比聚类(Contrastive Clustering)，COMPLETER: 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 Neural Network)的深度聚类
5. 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 Survey of Deep Clustering Algorithms - 凯鲁嘎吉 - 博客园
[4] Deep Clustering | Deep Learning 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.
作者：凯鲁嘎吉
出处：http://www.cnblogs.com/kailugaji/
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须在文章页面给出原文链接，否则保留追究法律责任的权利。
