提出两个问题：是否有可能仅使用无监督技术来创建半监督方法所需的小标签数据集？如果是这样，半监督方法是否可以利用这种自动生成的伪标记数据集来提供比最新的无监督方法更高的性能？为了自主创建高精度的伪标记数据集，我们将深度网络的集成与自定义图聚类算法结合使用（第4节）。我们首先以无人监督的方式训练一组深层网络。每个网络独立地对输入进行聚类。然后，我们比较两个输入数据点。如果所有网络都同意这两个数据点属于

参考参考

数组数组（Array） 是一种很常见的数据结构。它由相同类型的元素（element）组成，并且是使用一块连续的内存来存储。我们直接可以利用元素的索引（index）可以计算出该元素对应的存储地址。数组的特点是：提供随机访问 并且容量有限。假如数组的长度为 n。访问：O（1）//访问特定位置的元素插入：O（n ）//最坏的情况发生在插入发生在数组的首部并需要移动所有元素时删除：O（n）//最坏的情况发

参考

参考

参考

自动歌唱声音分离的任务包括估计孤立地唱出的旋律和伴奏的声音。 清晰的声音信号有助于其他相关的MIR任务，例如歌手识别[18]和歌词转译。使U-Net体系结构适应了声音分离的任务。该体系结构被引入生物医学成像中，以提高神经元结构的显微图像的精度和定位。该体系结构建立在完全卷积网络上，类似于反卷积网络。在反卷积网络中，一堆卷积层（每个层将图像的大小减半，但将通道数量加倍）将图像编码为较小的深度表示。然

算法（DEC）通过同时学习特征空间Z中的k个聚类中心{μj∈Z} j = 1 … k和将数据点映射到Z的DNN参数θ来对数据进行聚类。两个阶段：（1）使用深度自动编码器进行参数初始化和（2）参数优化（即，聚类），在此过程中，我们在计算辅助目标分布与最小化Kullback-Leibler（KL）差异之间进行迭代。我们从描述阶段（2）参数优化/聚类开始，给定θ的初始估计值，且{µj} j = 1，…