Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/39159
Type: | Dissertação |
Title: | Generative adversarial networks for hierarchical clustering |
Other Titles: | Redes generativas antagônicas para clusterização hierárquica |
Authors: | Daniel Prado Mendes de Mello |
First Advisor: | Renato Martins Assunção |
First Co-advisor: | Fabrício Murai Ferreira |
First Referee: | Jefersson Alex dos Santos |
Second Referee: | Keiller Nogueira |
Abstract: | Deep clustering methods have recently achieved substantial progress by leveraging the representation power of deep architectures to learn embedding sub-spaces that are optimal for cluster analysis. Nonetheless, very few effort has been done in combining hierarchical clustering, a very useful classical approach that does not assume a fixed number of clusters, with deep methods. In this work, we propose a new way of performing deep clustering in a top-down hierarchical manner, such that each binary split in a tree of subdivisions is performed by a two-generator generative adversarial network. We show how well our method compares to other deep clustering techniques on clustering datasets, obtaining competitive results, as well as an exploration of the hierarchical clustering tree, verifying how it accurately organizes the training data in a hierarchy of semantically coherent characteristics, as expected. |
Abstract: | Métodos de clusterização profunda alcançaram recentemente um progresso substancial, aproveitando o poder de representação de arquiteturas de aprendizagem profunda para aprender representações que são ideais para análise de clusters. No entanto, poucos esforços foram feitos para tentar combinar clusterização hierárquica, uma abordagem clássica muito útil que não assume um número fixo de clusters, com métodos profundos. Neste trabalho, propomos uma nova maneira de realizar clusterização profunda de forma hierárquica \textit{top-down}, onde cada divisão binária em uma árvore de subdivisões é realizada por uma rede generativa antagônica de dois geradores. Mostramos o quão bem nosso método se compara a outras técnicas de clusterização profunda em bases de dados para clusterização, obtendo resultados competitivos, bem como uma exploração da árvore de clusterização hierárquica, verificando como ela organiza com precisão os dados de treinamento em uma hierarquia de características semanticamente coerentes, conforme esperado. |
Subject: | Computação – Teses. Método de clusterização – Teses. Aprendizado profundo – Teses. Redes generativas – Teses. |
language: | eng |
metadata.dc.publisher.country: | Brasil |
Publisher: | Universidade Federal de Minas Gerais |
Publisher Initials: | UFMG |
metadata.dc.publisher.department: | ICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO |
metadata.dc.publisher.program: | Programa de Pós-Graduação em Ciência da Computação |
Rights: | Acesso Restrito |
metadata.dc.rights.uri: | http://creativecommons.org/licenses/by-nc-nd/3.0/pt/ |
URI: | http://hdl.handle.net/1843/39159 |
Issue Date: | 28-May-2021 |
metadata.dc.description.embargo: | 28-May-2022 |
Appears in Collections: | Dissertações de Mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Dissertacao_Final__novo_template_.pdf | 4.51 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License