基于高阶随机游走的去耦对比多视图聚类
计算机视觉与模式识别
2024-01-19 v2
摘要
近来,一些鲁棒对比多视图聚类(MvC)方法被提出,它们从邻域中构造数据对以缓解假负样本问题,即部分簇内样本被错误当作负样本对。尽管这些方法取得了有前景的性能,但假负样本问题远未解决,且由于所有邻域内与邻域外样本被简单地分别视为正样本和负样本,假正样本问题随之出现。为应对这些问题,我们提出一种新颖鲁棒方法,称为基于高阶随机游走的去耦对比多视图聚类(DIVIDE)。简言之,DIVIDE 利用随机游走以全局而非局部方式渐进识别数据对。因此,DIVIDE 能够识别邻域内负样本与邻域外正样本。此外,DIVIDE 采用一种新颖的 MvC 架构,在不同嵌入空间中执行视图间与视图内对比学习,从而提升聚类性能并具备对缺失视图的鲁棒性。为验证 DIVIDE 的有效性,我们在四个基准数据集上进行了大量实验,在完整与不完整 MvC 设定下与九种当前最优 MvC 方法进行比较。
引用
@article{arxiv.2308.11164,
title = {Decoupled Contrastive Multi-View Clustering with High-Order Random Walks},
author = {Yiding Lu and Yijie Lin and Mouxing Yang and Dezhong Peng and Peng Hu and Xi Peng},
journal= {arXiv preprint arXiv:2308.11164},
year = {2024}
}
备注
Accepted by AAAI 2024