AutoProPos: An Extension of Prototype Scattering and Positive Sampling Clustering for an Unknown Number of Clusters
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
Parametric deep clustering delivers strong image representations and partitions via modern contrastive and non-contrastive training, but it assumes a known number of clusters, K, which is often unrealistic in real datasets. Conversely, non-parametric methods estimate K but typically rely on weaker autoencoder features. We bridge this gap with AutoProPos, which extends the state-of-the-art ProPos and makes it non-parametric through a lightweight clustering supervisor (CLS). CLS alternates with ProPos and performs model selection over K in a reduced latent subspace using the average silhouette and the Silhouette Uniformity Index (SUI), with the latter encouraging uniform cluster distributions. Across image clustering benchmarks, AutoProPos is competitive with or superior to non-parametric deep clustering: 92.0% ACCon STL-10 (+11% vs. the best non-parametric baseline) and 77.0% ACC on ImageNet-50; against parametric deep clustering, it is also competitive and can even surpass them, as on ImageNet-Dogs, where it improves from 78.1% (ProPos) to 83.3% ACC. CLS estimates K during training with a small overhead (≤2 h on a single GPU), turning ProPos into a competitive non-parametric image-clustering method without sacrificing accuracy or compute.
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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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