实际多视图场景中自监督聚类算法噪声视图副作用的研究与缓解
机器学习
2024-03-26 v4 计算机视觉与模式识别
摘要
多视图聚类（MVC）旨在以自监督方式探索多视图数据中的类别结构。多视图比单视图提供更多信息，因此现有 MVC 方法能取得令人满意的性能。然而，在实际多视图场景中当视图含噪声时，其性能可能严重退化。本文正式研究了噪声视图的缺陷，并提出了一种有理论依据的深度 MVC 方法（即 MVCAN）来解决该问题。具体而言，我们提出了一种新颖的 MVC 目标，其允许跨多视图使用非共享参数和不一致的聚类预测，以减少噪声视图的副作用。此外，设计了一种两级多视图迭代优化，用于生成鲁棒学习目标以精炼各视图的表示学习。理论分析表明，MVCAN 通过实现多视图一致性、互补性和噪声鲁棒性来工作。最后，在大量公开数据集上的实验表明，MVCAN 优于最先进的方法，并对噪声视图的存在具有鲁棒性。
引用
@article{arxiv.2303.17245,
title = {Investigating and Mitigating the Side Effects of Noisy Views for Self-Supervised Clustering Algorithms in Practical Multi-View Scenarios},
author = {Jie Xu and Yazhou Ren and Xiaolong Wang and Lei Feng and Zheng Zhang and Gang Niu and Xiaofeng Zhu},
journal= {arXiv preprint arXiv:2303.17245},
year = {2024}
}