基于粗粒球拓扑构建、特征增强与交互式融合的全程一致性利用的多视图图卷积网络
计算机视觉与模式识别
2026-04-28 v2 人工智能
摘要
有效利用一致性对于多视图学习至关重要。图卷积网络(GCN)通过节点间的连接来传播信息，促进了多视图数据中一致性的挖掘。然而，现有大多数基于GCN的多视图方法都存在若干局限。首先，当前方法主要依赖K近邻(KNN)构建拓扑结构，其中人工选择k值的做法显著限制了节点间一致性的有效挖掘。其次，单个视图内部的特征间一致性往往被忽视，这会严重影响最终嵌入表示的质量。此外，这些方法未能充分利用跨视图一致性，因为多视图嵌入表示的融合往往是在视图内图卷积操作之后才实现。总体而言，这些问题限制了模型捕获节点间、特征间和跨视图一致性的能力。为此，本文提出了一种通过基于粗粒球的拓扑构建、特征增强与交互式融合全程利用一致性的多视图图卷积网络(MGCN-FLC)。MGCN-FLC通过以下三个模块充分利用三类一致性以提升学习能力：基于粗粒球算法的拓扑构建模块，将节点聚类为具有高内部相似性的粗粒球，以捕获节点间一致性；特征增强模块通过捕获特征间一致性来改进特征表示；交互式融合模块使每个视图与所有其他视图深度交互，从而获得更全面的跨视图一致性。在九个数据集上的实验结果表明，所提出的MGCN-FLC在半监督节点分类方面优于当前最先进的方法。
引用
@article{arxiv.2603.26729,
title = {Multi-view Graph Convolutional Network with Fully Leveraging Consistency via Granular-ball-based Topology Construction, Feature Enhancement and Interactive Fusion},
author = {Chengjie Cui and Taihua Xu and Shuyin Xia and Qinghua Zhang and Yun Cui and Shiping Wang},
journal= {arXiv preprint arXiv:2603.26729},
year = {2026}
}