面向非配对多视图聚类的多层可靠引导
计算机视觉与模式识别
2025-10-17 v3
摘要
本文针对非配对多视图聚类 (UMC) 这一挑战性问题进行研究，旨在利用跨多个视角观察的无配对样本实现有效的联合聚类。传统的不完整多视图聚类 (IMC) 方法通常依赖配对样本以捕获视图之间的互补信息。然而，由于缺乏配对样本，这类策略在 UMC 中难以实现。尽管一些研究者尝试通过保持跨视图中一致的聚类结构来解决此问题，但在聚类结构 {置信度较低} 时，有效挖掘此类一致性仍然具有挑战性。因此，我们提出一种 novel 方法——多层可靠引导非配对多视图聚类 (MRG-UMC)，通过多层聚类和可靠视图引导三个角度来学习一致且自信的聚类结构。具体而言，内视图多层聚类利用不同层次的高置信度样本对来减少边界样本的影响，从而获得更自信的聚类结构。合成视图对齐利用合成视图来缓解跨视图差异并促进一致性。跨视图引导采用可靠视图引导策略来增强较差聚类视图的聚类置信度。这三个模块在多个层次上联合优化，以实现一致且自信的聚类结构。此外，理论分析验证了 MRG-UMC 在提升聚类置信度方面的有效性。广泛的实验结果表明，MRG-UMC 在多视图数据集上超越了当前最先进的 UMC 方法，平均 NMI 提升 12.95%。{源代码可在：https://anonymous.4open.science/r/MRG-UMC-5E20 获取。}
引用
@article{arxiv.2407.01247,
title = {Multi-level Reliable Guidance for Unpaired Multi-view Clustering},
author = {Like Xin and Wanqi Yang and Lei Wang and Ming Yang},
journal= {arXiv preprint arXiv:2407.01247},
year = {2025}
}