均衡多视图聚类
计算机视觉与模式识别
2025-02-05 v3 人工智能
机器学习
摘要
多视图聚类旨在整合来自不同视图的信息，以增强模型捕捉底层数据结构的能力。由于对所有视图采用统一的学习目标，MvC 中广泛使用的联合训练范式可能未能充分利用多视图信息，这会导致视图特定特征的不平衡和欠优化。例如，在联合训练范式中，具有更多判别信息的特定视图可能主导学习过程，导致其他视图欠优化。为缓解此问题，我们首先从每个视图特定特征提取器的梯度下降角度，分析了多视图聚类联合训练范式中的不平衡现象。随后，我们提出了一种新颖的均衡多视图聚类方法，该方法引入了视图特定对比正则化来调节每个视图的优化。具体而言，VCR 将从联合特征和视图特定特征中捕捉到的样本相似性保持到与视图特定特征对应的聚类分布中，以增强视图特定特征提取器的学习过程。此外，我们提供了理论分析，说明 VCR 能够自适应地调节更新视图特定特征提取器参数的梯度幅度，从而实现均衡的多视图学习过程。通过这种方式，BMvC 在利用视图特定模式与探索视图不变模式之间取得了更好的平衡，从而为聚类任务充分学习多视图信息。最后，进行了一组实验，在八个基准 MvC 数据集上验证了所提方法相较于 SOTA 方法的优越性。
引用
@article{arxiv.2501.02564,
title = {Balanced Multi-view Clustering},
author = {Zhenglai Li and Jun Wang and Chang Tang and Xinzhong Zhu and Wei Zhang and Xinwang Liu},
journal= {arXiv preprint arXiv:2501.02564},
year = {2025}
}