Wasserstein Adversarial Mixture Clustering

Abstract : Clustering complex data is a key element of unsupervised learning which is still a challenging problem. In this work, we introduce a deep approach for unsupervised clustering based on a latent mixture living in a low-dimensional space. We achieve this clustering task through adversarial optimization of the Wasserstein distance between the real and generated data distributions. The proposed approach also allows both dimensionality reduction and model selection. We achieve competitive results on difficult datasets made of images, sparse and dense data.
Type de document :
Pré-publication, Document de travail
2018
Liste complète des métadonnées

Littérature citée [10 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/hal-01827775
Contributeur : Warith Harchaoui <>
Soumis le : mardi 28 août 2018 - 22:09:30
Dernière modification le : vendredi 31 août 2018 - 01:04:45
Document(s) archivé(s) le : jeudi 29 novembre 2018 - 17:51:11

Fichier

wamic_w_harchaoui_2018.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01827775, version 2

Collections

Citation

Warith Harchaoui, Pierre-Alexandre Mattei, Andrés Alamansa, Charles Bouveyron. Wasserstein Adversarial Mixture Clustering. 2018. 〈hal-01827775v2〉

Partager

Métriques

Consultations de la notice

123

Téléchargements de fichiers

760