面向广义多视图聚类的解耦表示学习
计算机视觉与模式识别
2026-05-18 v1
摘要
多视图聚类（MVC）因其能够利用不同视图间的互补信息而受到广泛关注。然而，现有的深度MVC方法在跨视图融合过程中常常面临视图分布纠缠的问题，这损害了共享潜在空间的质量并导致次优结果。为解决此问题，我们提出了广义多视图自编码器（GMAE），这是一个旨在通过解耦表示学习来保持跨视图互补性的框架。具体而言，GMAE采用双路径自编码器将源特征解耦为视图特定嵌入和视图共有嵌入，从而有助于发现更清晰的聚类结构。我们进一步构建了跨视图对抗判别器，以引导视图特定编码器捕获更具判别性的特征。通过策略性地调节互信息，GMAE有效地对齐了分布并防止表示坍缩，确保了鲁棒、非平凡嵌入的生成。在13个基准数据集上的综合实验表明，GMAE在完整和不完整MVC任务中均一致地优于最先进的方法。我们的代码实现可在以下仓库获取：https://github.com/obananas/GMAE。
引用
@article{arxiv.2605.15640,
title = {Learning Disentangled Representations for Generalized Multi-view Clustering},
author = {Xin Zou and Ruimeng Liu and Chang Tang and Zhenglai Li and Xinwang Liu and Kunlun He and Wanqing Li},
journal= {arXiv preprint arXiv:2605.15640},
year = {2026}
}
备注
accepted by IEEE TPAMI 2026 (IEEE Transactions on Pattern Analysis and Machine Intelligence)