面向多视图聚类的双加权对比学习
计算机视觉与模式识别
2025-01-24 v2 机器学习
摘要
多视图对比聚类（MVCC）因能通过对比学习从多个视图中生成一致的聚类结构而受到广泛关注。然而，大多数现有MVCC方法通过组合任意两个视图来创建跨视图，导致可靠配对数量庞大。此外，这些方法常忽视多视图表示之间的差异，导致表示退化。为解决这些挑战，本文引入了名为双加权对比学习（DWCL）的新型模型用于多视图聚类。具体而言，通过引入创新的最佳-其他（Best-Other, B-O）对比机制，在低计算成本下增强单个视图的表示。进而，我们开发了双加权策略，将视图质量权重（反映各视图的质量）与视图差异权重相结合。该方法通过压制质量低且差异大的跨视图，从而有效缓解表示退化。我们理论上验证了B-O对比机制的有效性以及双加权策略的有效性。大量实验表明，DWCL在八个多视图数据集上超越了以往方法，展现出在MVCC中的卓越性能和鲁棒性。具体而言，我们的方法在Caltech6V7和MSRCv1数据集上分别比最新方法实现了5.4%和5.6%的绝对精度提升。
引用
@article{arxiv.2411.17354,
title = {DWCL: Dual-Weighted Contrastive Learning for Multi-View Clustering},
author = {Hanning Yuan and Zhihui Zhang and Qi Guo and Lianhua Chi and Sijie Ruan and Jinhui Pang and Xiaoshuai Hao},
journal= {arXiv preprint arXiv:2411.17354},
year = {2025}
}