مروري بر چالش هاي حاكم بر خوشه بندي عميق

An overview of deep learning challenges

خوشه‌بندي يك تكنيك تحليلي استفاده‌شده براي گروه‌بندي داده‌هاي بدون برچسب و استخراج اطلاعات معني‌دار است كه توسعه چندين الگوريتم خوشه‌بندي با كاربردهاي متنوع را به دنبال داشته است. هدف اصلي از خوشه‌بندي، يافتن الگوها و تفاوت‌هاي مختلف در داده‌ها است. همان‌طور كه داده‌ها به طور فزاينده‌اي پيچيده و پيچيده مي‌شوند، روش‌هاي خوشه‌بندي كم‌عمق (سنتي) كه نياز به ويژگي‌هاي مشخص دارند، ديگر نمي‌توانند نوع داده‌هاي با ابعاد بالا را مديريت كنند و براي داده‌هاي بدون ساختار مناسب نيستند. در خوشه‌بندي عميق، يك مدل شبكه عصبي عميق براي يادگيري بازنمايي داده‌ها و يك الگوريتم خوشه‌بندي براي خوشه‌بندي داده‌ها استفاده مي‌شود. اگرچه با استفاده از يادگيري عميق و خوشه‌بندي عميق مي‌توان به نتايج موفقيت‌آميزي دست‌يافت اما هنوز هم چالش‌هايي در خوشه‌بندي عميق وجود دارد كه نيازمند راه‌حل‌هاي مناسب هستند. اين مقاله به بررسي محدوديت‌ها و چالش‌هاي موجود در خوشه‌بندي عميق مي‌پردازد و در صورت وجود راه‌حل‌ها و بهبودهاي ممكن را معرفي مي‌كند.

Clustering is used as an analytic technique to group unlabeled data and extract significant information; it develops several clustering algorithms with various applications. The main purpose of clustering is to find patterns and variant differences between data. Due to the increasing data expansion complexity, traditional or shallow clustering methods which require specific features are unable to handle high-dimensional data and also, they are not suitable for unstructured data. Deep clustering uses a deep neural network model to learning representation data and a clustering algorithm for clustering the data. Although by using deep learning and deep clustering desired results can be achieved, there are still challenges involved in deep clustering that require appropriate solutions. This article examines the limitations and challenges of deep clustering to introduce possible and improvable solutions.