自动识别与纠正：噪声场景下鲁棒的深度对比多视图聚类
计算机视觉与模式识别
2025-05-28 v1
摘要
凭借强大的表示学习能力，深度多视图聚类方法近年来通过有效整合来自不同视图的多源信息，展现出了可靠的性能。现有大多数方法依赖于视图干净的假设。然而，在真实场景中噪声无处不在，导致性能显著下降。为了解决这个问题，我们提出了一种用于自动识别和纠正噪声数据的新型多视图聚类框架，称为 AIRMVC。具体而言，我们使用 GMM 将噪声识别重新表述为异常识别问题。然后，我们设计了一种混合纠正策略，以基于识别结果减轻噪声数据的不利影响。此外，我们引入了一种抗噪对比机制来生成可靠的表示。另外，我们提供了理论证明，表明这些表示可以丢弃噪声信息，从而提高下游任务的性能。在六个基准数据集上的大量实验表明，AIRMVC 在噪声场景下的鲁棒性方面优于 SOTA 算法。AIRMVC 的代码可在 Github 上获取：https://github.com/xihongyang1999/AIRMVC。
引用
@article{arxiv.2505.21387,
title = {Automatically Identify and Rectify: Robust Deep Contrastive Multi-view Clustering in Noisy Scenarios},
author = {Xihong Yang and Siwei Wang and Fangdi Wang and Jiaqi Jin and Suyuan Liu and Yue Liu and En Zhu and Xinwang Liu and Yueming Jin},
journal= {arXiv preprint arXiv:2505.21387},
year = {2025}
}