DEC算法由两部分组成
- 第一部分会预训练一个SDAE模型；
- 第二部分选取SDAE模型中的Encoder部分，加入聚类层，然后最小化KL散度进行训练聚类
Absratct
提出了一种利用深度神经网络同时进行表征学习和聚类分配的方法，称之为深度嵌入聚类。该方法学习从数据空间到低纬空间的映射，并在其中迭代优化聚类目标
Introduction
想法：定义了从数据空间X到低维特征空间Z的参数化非线性映射，在该映射中我们优化了聚类目标。与之前在数据空间或浅层线性嵌入空间上的工作不同，我们通过反向传播在聚类目标上使用SGD来学习映射，这是由DNN参数化的
如何优化：与监督学习方式不同，我们不能用已标记的数据训练网络，相反我们建议用从当前的软聚类分配派生的辅助目标迭代细化聚类
Deep embedded clusering
首先使用非线性映射
