RAC-DMVC：多源噪声下基于可靠性感知的对比深度多视图聚类
机器学习
2025-11-18 v1
摘要
多视图聚类（MVC）旨在以无监督的方式将多视图数据划分到不同的簇中，这是一项基础但具有挑战性的任务。为了增强其在现实场景中的适用性，本文解决了一个更具挑战性的任务：多源噪声下的 MVC，包括缺失噪声和观测噪声。为此，我们提出了一个新颖的框架，即可靠性感知的对比深度多视图聚类（RAC-DMVC），该框架构建了一个可靠性图来指导噪声环境下的鲁棒表示学习。具体来说，为了解决观测噪声，我们引入了一种跨视图重建，以在数据层面增强鲁棒性，并引入了一种可靠性感知的噪声对比学习，以减轻由噪声表示引起的正负对选择偏差。为了处理缺失噪声，我们设计了一种双注意力插补机制，以捕获跨视图的共享信息，同时保留视图特定特征。此外，一个自监督的簇蒸馏模块进一步细化了学习到的表示，并提高了聚类性能。在五个基准数据集上的大量实验表明，RAC-DMVC 在多个评估指标上优于 SOTA 方法，并在不同噪声比率下保持优异的性能。
引用
@article{arxiv.2511.13561,
title = {RAC-DMVC: Reliability-Aware Contrastive Deep Multi-View Clustering under Multi-Source Noise},
author = {Shihao Dong and Yue Liu and Xiaotong Zhou and Yuhui Zheng and Huiying Xu and Xinzhong Zhu},
journal= {arXiv preprint arXiv:2511.13561},
year = {2025}
}