Öz-denetimli K-means
Self-supervised K-means Clustering · Ayrıca şöyle bilinir: self-supervised clustering with K-means, deep clustering with K-means, unsupervised K-means with pseudo-labels, SSL K-means
Öz-denetimli K-means, K-means atamasını öz-denetimli temsil öğrenmesiyle birleştiren bir kümeleme tekniğidir. Model, etiketlenmemiş veri noktalarını K gruba ayırma ve bu küme atamalarını, giderek daha tutarlı kümeler üreten altta yatan bir özellik temsilini iyileştirmek için sözde etiketler olarak kullanma arasında gidip gelir; bunun için herhangi bir insan tarafından etiketlenmiş gerçek doğruya gerek yoktur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bol miktarda etiketlenmemiş veriniz olduğunda ve açıklama olmadan doğal gruplamalar keşfetmeniz gerektiğinde veya etiketleme maliyetini düşürerek sonraki bir görev için temsilleri önceden eğitmek istediğinizde öz-denetimli K-means kullanın. Özellikle ham uzay K-means'in başarısız olduğu yüksek boyutlu girdilerde (görüntüler, metin gömmeleri, sensör sinyalleri) etkilidir. Yorumlanabilir, katsayı tabanlı modellerin gerektiği durumlarda, K'nin alanınız için anlamlı olmadığı durumlarda veya veri kümeniz, etiketlenmiş verilerin uygun maliyetle toplanabileceği kadar küçükse kullanmayın — bu durumda denetimli sınıflandırıcılar herhangi bir öz-denetimli yaklaşımdan daha iyi performans gösterecektir.
Güçlü yönler & sınırlılıklar
- Etiketleme maliyeti olmadan kullanışlı temsiller öğrenmek için büyük hacimli etiketlenmemiş verilerden yararlanır.
- Sonraki sınıflandırma veya regresyon görevleri için ince ayarlanabilen aktarılabilir gömmeler üretir.
- Ham uzay K-means'ten daha anlamsal olarak tutarlı kümeler üreterek kümeleme yapısını ve özellik kalitesini ortaklaşa optimize eder.
- Boyutluluk lanetinden dolayı geleneksel K-means'in bozulduğu yüksek boyutlu girdilere ölçeklenebilir.
- Modern derin kodlayıcı mimarileriyle uyumludur ve denetimli ince ayardan önce bir ön eğitim adımı olarak hizmet edebilir.
- K'yi önceden seçmeyi gerektirir; yoğunluk tabanlı yöntemlerin aksine küme sayısını otomatik olarak keşfedemez.
- Küme merkezlerinin ve kodlayıcı ağırlıklarının başlatılmasına duyarlıdır; kötü başlatma, bazı kümelerin çöktüğü dejeneratif çözümlere neden olabilir.
- Alternatif kodlayıcı eğitim döngüsü nedeniyle düz K-means'e kıyasla hesaplama açısından pahalıdır.
- Yakınsama garanti edilmez; yinelemeler boyunca küme ataması kararlılığını izlemek gereklidir.
- Eğitimin başlarında rastgele desenler tarafından domine edilen küme atamaları varsa sözde etiket kalitesi düşebilir.
SSS
Öz-denetimli K-means, düz K-means'ten nasıl farklıdır?
Düz K-means, veriyi orijinal özellik uzayında kümeleyerek aktarılabilir bir temsil üretmez. Öz-denetimli K-means, küme atamalarını sözde etiketler olarak kullanarak bir kodlayıcıyı yinelemeli olarak iyileştirir, böylece gömmeler giderek daha küme dostu hale gelir ve sonraki görevler için daha kullanışlı olur.
Küme sayısı K'yi nasıl seçerim?
Alan bilgisi ilk rehberdir. Bu mevcut olmadığında, birden fazla K değeri çalıştırın ve siluet puanlarını, Davies-Bouldin indeksini veya küçük bir etiketli sonda kümesi üzerindeki sonraki görev performansını karşılaştırın. Evrensel olarak optimal bir K yoktur; en iyi değer verinin gerçek yapısına bağlıdır.
Kümelerin tek bir gruba çökmesini ne engeller?
Küme çökmesi gerçek bir risktir. Yaygın azaltma yöntemleri arasında boş kümeler için rastgele merkez yeniden başlatma, küme boyutu dengeleme kayıpları ve büyük kümelerden boş kümelere periyodik nokta yeniden atama bulunur. Her yinelemede küme boyutlarını izlemek esastır.
Derin bir sinirsel kodlayıcıya ihtiyacım var mı, yoksa daha basit özellikler kullanabilir miyim?
Derin bir kodlayıcı kesinlikle gerekli değildir. Öz-denetimli K-means, sığ ağlar veya PCA ile başlatılmış projeksiyonlar dahil olmak üzere herhangi bir eğitilebilir özellik çıkarıcı ile uygulanabilir. Ancak, döngüsel döngünün faydası, kodlayıcının küme geri bildirimine yanıt olarak gömme uzayını yeniden şekillendirecek yeterli kapasiteye sahip olduğunda en büyüktür.
Öğrenilen temsillerin kalitesini nasıl değerlendiririm?
Standart yaklaşım doğrusal bir değerlendirme protokolüdür: kodlayıcı ağırlıklarını dondurun, küçük bir etiketli alt küme üzerinde basit bir doğrusal sınıflandırıcı eğitin ve doğruluğu raporlayın. Daha iyi temsiller daha yüksek doğrusal değerlendirme doğruluğu üretir. Küme-içsel metrikler (siluet, mevcut herhangi bir gerçek doğruya karşı NMI) tamamlayıcı teşhislerdir.
Kaynaklar
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Self-supervised K-means Clustering. ScholarGate. https://scholargate.app/tr/machine-learning/self-supervised-k-means
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Topluluk K-meansMakine öğrenmesi↔ karşılaştır
- K-ortalama KümelemeMakine öğrenmesi↔ karşılaştır
- Çevrimiçi K-ortalamalarMakine öğrenmesi↔ karşılaştır
- Öz-denetimli ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Yarı denetimli K-ortalamalarMakine öğrenmesi↔ karşılaştır