Global-Graph Guided and Local-Graph Weighted 对比学习用于不完整和噪声多视图数据的统一聚类
机器学习
2025-12-29 v1 计算机视觉与模式识别
摘要
最近，对比学习（CL）在探索多视图聚类（MVC）中发挥重要作用，受到广泛关注。然而，现实中的多视图数据可能存在数据不完整或噪声，导致稀有配对样本或误配对样本，这显著挑战了基于 CL 的 MVC 方法的有效性。也就是说，稀有配对问题防止 MVC 从足够的多视图互补信息中提取信息；误配对问题导致对比学习优化模型的方向错误。为此，我们提出一种统一的 CL 基于 MVC 框架，用于增强不完整和噪声多视图数据的聚类效果。首先，为克服稀有配对问题，我们设计一种 global-graph guided 对比学习，其中所有视图样本构建 global-view 亲和图，以形成新的样本配对，以充分探索互补信息。其次，为缓解误配对问题，我们提出一种 local-graph weighted 对比学习，利用局部邻居生成配对权重，以自适应方式加强或削弱配对对比学习。我们的 方法 无需填补缺失数据，可集成到统一的 global-local graph-guided 对比学习框架中。广泛的实验表明，在不完整和噪声设置下，我们的方法在多视图数据上实现了优于现有方法的优异性能。
引用
@article{arxiv.2512.21516,
title = {Global-Graph Guided and Local-Graph Weighted Contrastive Learning for Unified Clustering on Incomplete and Noise Multi-View Data},
author = {Hongqing He and Jie Xu and Wenyuan Yang and Yonghua Zhu and Guoqiu Wen and Xiaofeng Zhu},
journal= {arXiv preprint arXiv:2512.21516},
year = {2025}
}