معاونت پژوهش و فناوری، دانشگاه تبریز پردازش سیگنال پیشرفته 2676-3397 7 1 2026 07 23 A Novel ResNet-Based Autoencoder Framework for Semi-Supervised Clustering Using Pairwise Constraints چارچوب نوین خودرمزگذار مبتنی بر ResNet برای خوشه‌بندی نیمه‌نظارتی با بهره‌گیری از محدودیت‌های زوجی 43 56 20505 10.22034/jasp.2025.64845.1263 FA نور کاظم خودهیر دانشگاه تبریز محمد‌علی بالافر دانشکده مهندسی برق و کامپیوتر - دانشگاه تبریز جعفر تنها استادیار-دانشکده مهندسی برق و کامپیوتر- دانشگاه تبریز امین گلزاری اسکویی دانشکده فناوری اطلاعات و مهندسی کامپیوتر دانشگاه صنعتی ارومیه، ارومیه Journal Article 2024 12 03 Recently, the use of deep learning for data clustering has gained significant attention due to its ability to uncover complex structures within data. In this paper, a novel ResNet-based autoencoder framework for semi-supervised clustering is proposed. This framework utilizes an autoencoder architecture with residual connections, consisting of two main components: a ResNet-based encoder that extracts meaningful latent representations from the data, and a decoder that is responsible for accurately reconstructing the input data. The proposed model employs a composite loss function that integrates Mean Squared Error (MSE), Kullback-Leibler Divergence (KLD), semi-supervised pairwise constraints, and label-based loss. This innovative combination guides the clustering process using a target distribution as soft labels, ensuring the stability of the model. Experimental results on benchmark datasets demonstrate that the proposed model achieves an average clustering accuracy of 96.8% and 92.5% in Normalized Mutual Information (NMI). These results indicate a significant improvement in performance compared to existing methods in semi-supervised clustering. اخیراً استفاده از یادگیری عمیق برای خوشه‌بندی داده‌ها به دلیل توانایی آن در کشف ساختارهای پیچیده داده‌ها، مورد توجه بسیاری از پژوهشگران قرار گرفته است. در این مقاله، یک چارچوب نوین خودرمزگذار مبتنی بر ResNet برای خوشه‌بندی نیمه‌نظارتی پیشنهاد شده است که شامل معماری خودرمزگذار با اتصالات باقیمانده است. این چارچوب دو بخش اصلی دارد: رمزگذار مبتنی بر ResNet که بازنمایی‌های نهفته و معنادار از داده‌ها استخراج می‌کند، و رمزگشا که وظیفه بازسازی دقیق داده‌های ورودی را بر عهده دارد.مدل پیشنهادی از یک تابع زیان ترکیبی بهره می‌برد که شامل میانگین مربعات خطا (MSE)، واگرایی کولبک-لایبلر (KLD)، محدودیت‌های زوجی نیمه‌نظارتی و برچسب‌های نیمه‌نظارتی است. این ترکیب نوآورانه، فرایند خوشه‌بندی را با استفاده از توزیع هدف به‌عنوان برچسب‌های نرم هدایت کرده و موجب بهبود پایداری مدل می‌شود. نتایج آزمایش‌ها بر روی مجموعه داده‌های عمومی نشان می‌دهد که مدل پیشنهادی به‌طور میانگین دقت 96.8% در معیار دقت خوشه‌بندی و 92.5% در معیار اطلاعات متقابل نرمال‌شده (NMI) را به دست آورده است. این نتایج حاکی از بهبود عملکرد مدل نسبت به روش‌های پیشین در خوشه‌بندی نیمه‌نظارتی است. https://jasp.tabrizu.ac.ir/article_20505_eede0c5ff983b1a31d5ca3245e16d59e.pdf