FDGC: Fuzzy deep clustering with dual-granularity contrastive learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Deep clustering has garnered considerable attention in data mining and computer vision due to its effectiveness in handling high-dimensional data. However, traditional deep clustering methods face notable limitations. Real-world data often exhibit complex feature distributions and ambiguous boundaries. Fixed network architectures struggle to capture both global and local dependencies among data samples and are inadequate for managing fuzzy boundaries. Additionally, contrastive learning methods commonly used in deep clustering suffer from inefficient negative sample selection, where many positive samples are mistakenly treated as negative, thereby hindering training. To address these challenges, this paper proposes a fuzzy deep clustering method with dual-granularity contrastive learning (FDGC). The method extracts features and clusters them to generate pseudo-labels, retaining only the reliable ones through a confidence screening mechanism for use as supervision signals. By integrating data augmentation strategies with a self-attention fuzzy network, FDGC effectively captures both context and local details while dynamically adapting to feature fuzziness. Furthermore, a dual-granularity contrastive loss function is introduced to enhance feature representation. This loss improves sample discriminability at both the cluster and instance levels, significantly mitigating the issue of inaccurate negative sampling in traditional contrastive learning. Experimental results across multiple benchmark datasets demonstrate that FDGC outperforms existing method, validating the effectiveness of the proposed approach.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle