DealMVC：用于多视图聚类的双重对比校准
计算机视觉与模式识别
2023-11-08 v3 机器学习
摘要
受益于强大的视图一致信息挖掘能力，多视图对比聚类近年来引起了大量关注。然而，我们观察到如下限制聚类性能进一步提升的缺陷：现有多视图模型主要关注不同视图中相同样本的一致性，而忽略了跨视图场景下相似但不同样本的情况。为解决该问题，我们提出了一种新颖的用于多视图聚类的双重对比校准网络（DealMVC）。具体而言，我们首先设计了一种融合机制以获得全局跨视图特征。然后，通过对齐视图特征相似度图与高置信度伪标签图，提出了一种全局对比校准损失。此外，为利用多视图信息的多样性，我们提出了一种局部对比校准损失来约束成对视图特征的一致性。特征结构由可靠的类别信息正则化，从而保障相似样本在不同视图中具有相似特征。在训练过程中，交互的跨视图特征在局部和全局层面被联合优化。与其他最先进方法相比，在八个基准数据集上获得的综合实验结果充分验证了我们的算法的有效性与优越性。我们在 GitHub 的 https://github.com/xihongyang1999/DealMVC 发布了 DealMVC 的代码。
引用
@article{arxiv.2308.09000,
title = {DealMVC: Dual Contrastive Calibration for Multi-view Clustering},
author = {Xihong Yang and Jiaqi Jin and Siwei Wang and Ke Liang and Yue Liu and Yi Wen and Suyuan Liu and Sihang Zhou and Xinwang Liu and En Zhu},
journal= {arXiv preprint arXiv:2308.09000},
year = {2023}
}