MoEGCL：基于混合自伪图对比表示学习的多视图聚类
计算机视觉与模式识别
2026-03-25 v5 机器学习
摘要
近年来，图神经网络（GNN）的发展显著推动了多视图聚类（MVC）的进展。然而，现有方法面临粗粒度图融合的问题。具体而言，当前方法通常为每个视图生成独立的图结构，然后在视图级别进行加权融合，这是一种相对粗糙的策略。为解决这一局限性，我们提出了一种 novel 的混合自伪图对比表示学习方法（Mixture of Ego-Graphs Contrastive Representation Learning, MoEGCL）。该方法主要由两个模块组成。具体而言，我们提出了一种创新的混合自伪图融合（Mixture of Ego-Graphs Fusion, MoEGF），该方法构建自伪图并利用混合专家网络在样本级别实现自伪图的细粒度融合，而不是传统的在视图级别进行融合。此外，我们提出了自伪图对比学习（Ego Graph Contrastive Learning, EGCL）模块，用于对融合表示与特定视图表示进行对齐。EGCL 模块通过增强来自同一簇的样本（而不仅仅是来自同一样本）的表示相似性，进一步提升细粒度图表示。大量实验表明，MoEGCL 在深度多视图聚类任务中实现了最先进的结果。该源码已公开于 https://github.com/HackerHyper/MoEGCL。
引用
@article{arxiv.2511.05876,
title = {MoEGCL: Mixture of Ego-Graphs Contrastive Representation Learning for Multi-View Clustering},
author = {Jian Zhu and Xin Zou and Jun Sun and Cheng Luo and Lei Liu and Lingfang Zeng and Ning Zhang and Bian Wu and Chang Tang and Lirong Dai},
journal= {arXiv preprint arXiv:2511.05876},
year = {2026}
}