MORI-RAN：基于混合对比融合的多视图鲁棒表示学习
计算机视觉与模式识别
2023-02-28 v2
摘要
多视图表示学习对聚类和分类等许多多视图任务至关重要。然而，该领域面临两个挑战性问题：i）如何从大量无标签数据中学习鲁棒的多视图表示；ii）如何平衡视图一致性与视图特异性。为此，本文提出一种混合对比融合算法，从无标签数据中提取鲁棒的视图公共表示。具体而言，我们发现引入一个额外的表示空间并在该空间上对齐表示，能使模型学到鲁棒的视图公共表示。同时，我们设计了一种非对称对比策略，以确保模型不会得到平凡解。实验结果表明，在四个真实数据集上，所提方法在聚类和分类方面优于 12 种具有竞争力的多视图方法。我们的源代码将很快发布于 \url{https://github.com/guanzhou-ke/mori-ran}。
引用
@article{arxiv.2208.12545,
title = {MORI-RAN: Multi-view Robust Representation Learning via Hybrid Contrastive Fusion},
author = {Guanzhou Ke and Yongqi Zhu and Yang Yu},
journal= {arXiv preprint arXiv:2208.12545},
year = {2023}
}
备注
8 pages, 3 figures