GCFAgg：面向多视图聚类的全局与跨视图特征聚合
计算机视觉与模式识别
2023-05-12 v1
摘要
多视图聚类可通过无监督方式学习一致表示将数据样本划分至其类别，近年来受到越来越多的关注。然而，大多数现有深度聚类方法通过视图级聚合方式从多个视图学习一致表示或视图特定表示，忽略了所有样本的结构关系。本文提出一种新颖的多视图聚类网络以解决这些问题，称为面向多视图聚类的全局与跨视图特征聚合（GCFAggMVC）。具体而言，通过跨样本与跨视图特征聚合获得多视图的一致数据表示，充分挖掘相似样本的互补性。此外，我们通过结构引导对比学习模块对齐一致表示与视图特定表示，使具有高层结构关系的不同样本的视图特定表示趋于相似。所提模块是一种灵活的多视图数据表示模块，也可通过将其嵌入其他框架而应用于不完备多视图数据聚类任务。大量实验表明，所提方法在完备与不完备多视图数据聚类任务中均取得了优异性能。
引用
@article{arxiv.2305.06799,
title = {GCFAgg: Global and Cross-view Feature Aggregation for Multi-view Clustering},
author = {Weiqing Yan and Yuanyang Zhang and Chenlei Lv and Chang Tang and Guanghui Yue and Liang Liao and Weisi Lin},
journal= {arXiv preprint arXiv:2305.06799},
year = {2023}
}