面向多视图渐进子空间聚类的深度对抗不一致认知采样

深度多视图聚类方法已取得显著性能。然而，它们都未能考虑多视图样本上的难度标签（训练样本真值的确定性），这可能导致聚类网络在非理想状态下陷入较差的局部最优；更糟的是，来自多视图样本的难度标签总是不一致的，这一事实使得处理更加困难。本文提出一种新颖的深度对抗不一致认知采样（DAICS）方法用于多视图渐进子空间聚类。提出多视图二分类（易或难）损失和特征相似度损失，以通过对多视图一致样本的难度标签进行对抗极小极大博弈，联合学习一个二分类器和深度一致特征嵌入网络。我们开发了多视图认知采样策略，从易到难选择输入样本用于多视图聚类网络训练。然而，易样本和难样本的分布混合在一起，因此实现该目标并非易事。为此，我们定义了具有理论保证的采样概率。在此基础上，进一步设计黄金分割机制以生成样本集边界，通过门单元渐进选择具有不同难度标签的样本，用于联合学习多视图公共渐进子空间和聚类网络以实现更高效聚类。在四个真实世界数据集上的实验结果证明了 DAICS 相对于 SOTA 方法的优越性。