基于联想记忆的深度聚类

基于摘要分析。该研究面向图像与文本的深度聚类，提出利用 Associative Memories（联想记忆）的 DClAM，以更紧密地联合表示学习与潜在空间聚类，并简化端到端训练流程。 核心问题是表示学习通常可微，而聚类本质上涉及离散优化，常需借助近似与正则化接入可微训练流程，导致两个环节衔接不够紧密。本文沿用此前 ClAM 的端到端可微聚类思路，将联想记忆用于深度聚类。摘要未说明联想记忆的具体参数化、聚类分配规则、损失形式，以及表示与聚类的联合优化过程，这些机制尚需正文核验。 作者报告，在图像与文本实验中，DClAM 在卷积、残差和全连接架构下均改善了聚类质量。但摘要未列出数据集、划分、对照方法、指标与数值，因此不能据此判断提升幅度或比较条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若联想记忆能够提供适合无标签训练的聚类约束，该机制可能用于探索 EEG 潜在表示与聚类目标衔接的问题；但原研究对象并非 EEG，原领域结果不等于 BCI 有效性。迁移需核对其对样本规模、簇数先验及数据结构的依赖，改造 EEG 编码器与输入预处理，并保留可复用的联想记忆聚类模块。低信噪比、通道差异和小样本可能使聚类主要反映被试或会话差异，而非任务结构。一个可证伪的小实验是在固定 EEG 编码器、相同无标签训练数据及跨被试划分下，对比 DClAM 与先学习表示再聚类的流程，并仅用留出标签评估任务簇与被试簇的对应关系。已有 EEG 相关工作尚未检索确认。