MCFCN：基于融合-共识图卷积网络的多视图聚类
计算机视觉与模式识别
2025-11-11 v1 机器学习
摘要
现有基于子空间学习的多视图聚类（MVC）方法侧重共识表征学习，却忽略了数据固有的拓扑结构。尽管将图神经网络（GNN）引入MVC，但其输入图结构仍易受噪声干扰。基于多视图图精炼（MGRC）的方法也存在诸多局限，如对跨视图一致性考虑不足、难以处理特征空间中难以区分的样本，以及由图构建算法导致的优化过程不连贯等问题。为此，本文提出一种融合-共识图卷积网络的多视图聚类方法（MCFCN）。该网络以端到端方式学习多视图数据的共识图，并通过视图特征融合模型和统一图结构适配器（UGA）学习有效的共识表征。设计了相似度矩阵对齐损失（SMAL）和特征表征对齐损失（FRAL）。在共识引导下，本文优化视图特定图，保持跨视图的拓扑一致性，促进 intra-class 边的构建，并通过GCN实现有效的共识表征学习，从而提升聚类性能。实验表明，MCFCN在八个多视图基准数据集上实现了最先进的性能，其有效性通过大量定性和定量实验得到验证。代码将提供于 https://github.com/texttao/MCFCN。
引用
@article{arxiv.2511.05554,
title = {MCFCN: Multi-View Clustering via a Fusion-Consensus Graph Convolutional Network},
author = {Chenping Pei and Fadi Dornaika and Jingjun Bi},
journal= {arXiv preprint arXiv:2511.05554},
year = {2025}
}