谷歌|An Empirical Study on Clustering Pretrained Embeddings: Is Deep Strictly Better?(聚类预训练嵌入的实证研究：深度更好吗？)

作者：Tyler R. Scott、Ting Liu、Michael C. Mozer等

简介：本文针对聚类预训练嵌入进行了大规模实证研究。最近对人脸识别嵌入聚类的研究，有：无监督的、浅层的、基于启发式的方法、表现不佳的监督、深度、归纳等众多方法。虽然报告的改进确实令人印象深刻，但实验主要限于人脸数据集，其中聚类嵌入具有高度辨别力或按类别很好地分离，并且实验方法似乎有利于深度方法。本文对三个数据集的 17 种聚类方法进行了大规模的实证研究，并获得了多个可靠的发现。值得注意的是，深度方法对于具有更多不确定性的嵌入来说出奇地脆弱，它们与基于启发式的浅层方法匹配甚至表现更差。当嵌入具有高度辨别力时，深度方法确实优于基线，与过去的结果一致，但是方法之间的差距比之前研究报道的要小得多。作者相信作者的基准将监督聚类方法的范围扩大到面部领域之外，并且可以作为改进这些方法的基础。为了实现可重复性，作者在附录中包含了所有必要的细节，并计划发布代码。

论文下载：https://arxiv.org/pdf/2211.05183.pdf

内容中包含的图片若涉及版权问题，请及时与我们联系删除