A Survey on Deep Clustering: From the Prior Perspective

深度聚类利用神经网络强大的特征提取能力，在分析高维和复杂的现实世界数据方面取得了巨大的成功。深度聚类方法的性能受到各种因素的影响，例如网络结构和学习目标。然而，正如本文所指出的，深度聚类的本质在于融合和利用先验知识，这在现有研究中往往被忽视。从基于数据结构假设的开创性深度聚类方法到基于数据增强不变性的最新对比聚类方法，深度聚类的发展内在地对应着先验知识的演变。在本文中，我们通过将深度聚类方法分为六种先验知识类型，提供了全面的深度聚类方法综述。我们发现，总体上，先前的创新遵循两个趋势，即从挖掘到构建，以及从内部到外部。此外，我们在五个广泛使用的数据集上提供了基准，并分析了具有不同先验的方法的性能。通过提供一种新的先验知识视角，我们希望本文能够提供一些新的见解，并激发深度聚类社区未来的研究。

深度聚类方法的先验知识应用不足，本文试图提供一个全面的先验知识视角，以期激发更多的研究思路。

本文将深度聚类方法归纳为六类先验知识，并提出两种趋势：从挖掘到构建、从内部到外部。

本文提供了一个基准测试和分析了具有不同先验知识的方法的性能。实验使用了五个广泛使用的数据集，为深度聚类领域的未来研究提供了一些新的思路。

近年来，深度聚类领域中还有一些相关研究，例如：'Unsupervised Deep Embedding for Clustering Analysis'、'Deep Embedded Clustering with Data Augmentation'等。