用于不完整多视图聚类的双曲线增强表示学习
机器学习
2026-04-21 v1 计算机视觉与模式识别
摘要
不完整多视图聚类（IMVC）面临从片段观察中学习判别性表示并抵抗缺失视图的挑战。然而，主流基于欧几里得的模型在建模具有内在层次结构的真实数据时存在几何匹配问题，导致表示漂移 towards空间相邻但语义不同的邻居，从而产生语义模糊。为弥合这一差距，我们提出HERL（Hyperbolic Enhanced Representation Learning），用于IMVC的双曲线增强表示学习框架。在球面内 operating，HERL构建结构感知的潜在空间以增强表示学习。具体而言，我们设计双约束双曲线对比机制优化：基于角度的损失通过方向对齐保留语义身份，基于距离的损失强制层次紧凑。此外，引入双曲线原型头以通过对齐跨视图层次感知原型分布来纠正全局结构漂移。因此，HERL解耦细粒度语义关联以 sharpen 聚类边界，并施加几何约束以纠正数据恢复过程。大量实验结果表明，HERL consistently 优于最新方法。
引用
@article{arxiv.2604.16959,
title = {Hyperbolic Enhanced Representation Learning for Incomplete Multi-view Clustering},
author = {Tianyi Chen and Haobo Wang and Kai Tang and Gengyu Lyu and Tianlei Hu and Gang Chen and Hong Ma and Meixiang Xiang},
journal= {arXiv preprint arXiv:2604.16959},
year = {2026}
}