基于视图内外相关性引导的多视图新类别发现
计算机视觉与模式识别
2025-07-17 v1 人工智能
摘要
本文针对新类别发现(NCD)问题进行研究，即利用来自已知类别的知识对新类别进行聚类。在 recent 研究中虽取得显著进展，但现有NCD方法存在两个主要局限性：其一，主要关注单视图数据(如图像)，忽略越来越常见的多视图数据，如用于疾病诊断的多组学数据集；其二，依赖伪标签来监督新类别聚类，容易导致性能不稳定，因为伪标签质量高度依赖数据噪声和特征维度等因素。为此，我们提出 novel 框架IICMVNCD，即基于视图内外相关性引导的多视图新类别发现(IICMVNCD)，是迄今为止首次尝试在多视图设置下探索NCD。具体而言，在视图内层面，利用已知类别与新类别之间的分布相似性，我们采用矩阵分解将特征分解为视图特定的共享基矩阵和因子矩阵。基矩阵捕捉两个数据集之间的分布一致性，而因子矩阵则建模样本之间的两两关系。在视图间层面，我们利用已知类别之间的视图关系来指导新类别的聚类。这包括通过因子矩阵的加权融合生成预测标签，并根据监督损失动态调整已知类别的视图权重，然后将其传递给新类别学习。实验结果验证了我们方法的有效性。
引用
@article{arxiv.2507.12029,
title = {Intra-view and Inter-view Correlation Guided Multi-view Novel Class Discovery},
author = {Xinhang Wan and Jiyuan Liu and Qian Qu and Suyuan Liu and Chuyu Zhang and Fangdi Wang and Xinwang Liu and En Zhu and Kunlun He},
journal= {arXiv preprint arXiv:2507.12029},
year = {2025}
}