研究人员开发了一个新颖的自监督图像聚类框架，该框架偏离了传统的梯度下降方法。该新方法不依赖于预定义的优化目标，而是定义了一个“惊喜分数”来衡量在像素独立性零假设下模型输出的非可能性。通过最大化此惊喜分数，模型被鼓励发现数据中的非随机特征。该框架采用进化策略作为外循环直接最大化惊喜分数，并辅以梯度下降内循环，后者使用发现的聚类作为代理目标，在非参数自监督图像聚类中取得了最先进的结果。 AI
影响 引入了一种新颖的自监督学习方法，该方法可能导致更强大、更适应性的图像聚类模型，而无需依赖预定义的目标。
排序理由 详细介绍自监督图像聚类新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
