基于自监督相关排列的多视图聚类
机器学习
2025-05-21 v2 机器学习
摘要
结合来自不同来源的数据可以改进聚类等数据分析任务。然而，当前大多数多视图聚类方法局限于特定领域，或依赖于次优且计算密集的两阶段过程（表示学习和聚类）。我们提出了一种面向通用数据类型（如图像和表格）的端到端深度学习多视图聚类框架。我们的方法涉及使用一种新颖的基于排列的典型相关目标来生成有意义的融合表示。我们提供了理论分析，表明所学嵌入如何逼近监督线性判别分析（LDA）所获得的嵌入。通过跨多个视图识别一致的伪标签来学习聚类分配。此外，我们建立了与LDA相比，无监督表示中错误伪标签所导致误差的理论界限。在十个多视图聚类基准数据集上的大量实验为所提模型的有效性提供了经验证据。
引用
@article{arxiv.2402.16383,
title = {Self Supervised Correlation-based Permutations for Multi-View Clustering},
author = {Ran Eisenberg and Jonathan Svirsky and Ofir Lindenbaum},
journal= {arXiv preprint arXiv:2402.16383},
year = {2025}
}