面向深度多视图聚类的自监督判别特征学习
机器学习
2025-11-21 v3 计算机视觉与模式识别
摘要
多视图聚类因其利用多视图互补信息的能力而成为一个重要研究课题。然而，很少有方法考虑到具有不清晰聚类结构的某些视图所带来的负面影响，导致多视图聚类性能不佳。为克服这一缺陷，我们提出面向深度多视图聚类的自监督判别特征学习（SDMVC）。具体而言，应用深度自编码器独立学习各视图的嵌入特征。为利用多视图互补信息，我们将所有视图的嵌入特征拼接形成全局特征，从而克服某些视图聚类结构不清晰带来的负面影响。以自监督方式获取伪标签，构建统一目标分布以执行多视图判别特征学习。在此过程中，可挖掘全局判别信息以监督所有视图学习更具判别性的特征，这些特征反过来又用于更新目标分布。此外，该统一目标分布可使 SDMVC 学习一致的簇分配，在实现多视图聚类一致性的同时保留其特征多样性。在各类多视图数据集上的实验表明，SDMVC 优于包括经典与最先进方法在内的 14 个对比方法。代码见 https://github.com/SubmissionsIn/SDMVC。
引用
@article{arxiv.2103.15069,
title = {Self-Supervised Discriminative Feature Learning for Deep Multi-View Clustering},
author = {Jie Xu and Yazhou Ren and Huayi Tang and Zhimeng Yang and Lili Pan and Yang Yang and Xiaorong Pu and Philip S. Yu and Lifang He},
journal= {arXiv preprint arXiv:2103.15069},
year = {2025}
}