对比多视图双曲层次聚类
机器学习
2022-05-06 v1 人工智能
摘要
层次聚类以越来越细的粒度递归地划分数据。在现实应用中，多视图数据已变得愈发重要。这引发了一个较少被研究的问题，即多视图层次聚类，以更好地理解多视图数据的层次结构。为此，我们提出了一种新颖的基于神经网络的模型，即对比多视图双曲层次聚类（CMHHC）。它由三个组件构成：多视图对齐学习、对齐特征相似性学习和连续双曲层次聚类。首先，我们以对比方式跨多个视图对齐样本级表示，以捕获视图不变信息。接着，我们利用流形与欧氏相似性来改善度量性质。然后，我们将表示嵌入双曲空间，并通过层次聚类损失的连续松弛优化双曲嵌入。最后，从优化后的双曲嵌入解码出二叉聚类树。在五个真实数据集上的实验结果证明了所提方法及其组件的有效性。
引用
@article{arxiv.2205.02618,
title = {Contrastive Multi-view Hyperbolic Hierarchical Clustering},
author = {Fangfei Lin and Bing Bai and Kun Bai and Yazhou Ren and Peng Zhao and Zenglin Xu},
journal= {arXiv preprint arXiv:2205.02618},
year = {2022}
}
备注
This work was accepted by IJCAI2022