適応型深層クラスタリング：DINOv2埋め込み、グラフアテンション、および生物学的最適化の統合

科学分野:

• コンピュータビジョン
• 機械学習
• 人工知能

背景:

• 教師なし画像クラスタリングは、多様な学習パラダイムを統合するための堅牢な方法が不足しています。
• 既存のトランスフォーマーまたはGNNベースのシステムは、コンポーネントを個別に扱うことが多く、適応型洗練を制限します。
• 完全に教師なしシナリオにおける解釈可能な内部メトリックの必要性。

研究 の 目的:

• 教師なし画像クラスタリングのための統一された適応型統合フレームワークを提示すること。
• 自己教師あり表現学習、グラフベース埋め込み洗練、および生物学的最適化の間の相乗的な相互作用を確立すること。
• 信頼性の高い教師なし評価のための解釈可能な複合内部指標を導入すること。

主な方法:

• 高レベルの特徴抽出のために、事前トレーニング済みのDINOv2ビジョントランスフォーマーを利用します。
• 関係構造を洗練するために、マルチヘッドグラフアテンションネットワーク（GAT）を採用します。
• クラスタ数推定と適応型ハイパーパラメータチューニングの共同実行のために、コウモリに触発されたメタヒューリスティックを統合します。

主要な成果:

• CIFAR-10（NMI=0.938、ARI=0.932）およびその他のベンチマークで最先端のパフォーマンスを達成しました。
• 多様なデータセット全体での有効性と一般化能力を実証しました。
• 外部メトリックと強く相関する2つの複合内部指標（[式：本文参照]および[式：本文参照]）を導入しました。

結論:

• 提案されたDINOv2-GAT-BATパイプラインは、新しい適応型深層クラスタリングアプローチを提供します。
• 統合フレームワークは、意味的埋め込みと構造情報を動的に洗練します。
• この研究は、解釈可能な複合メトリックによる教師なし評価を進歩させ、優れたクラスタリング結果を達成します。