用于深度多视图子空间聚类的自监督信息瓶颈
机器学习
2023-03-22 v2 人工智能
摘要
在本文中，我们从信息论的角度探索了深度多视图子空间聚类框架的问题。我们扩展了传统的信息瓶颈原理，以自监督的方式学习不同视图之间的公共信息，并据此建立了一个新的框架，称为基于自监督信息瓶颈的多视图子空间聚类（SIB-MSC）。继承了信息瓶颈的优势，SIB-MSC可以为每个视图学习一个潜在空间，通过从视图本身移除冗余信息，同时为其他视图的潜在表示保留足够的信息，来捕获不同视图潜在表示之间的公共信息。实际上，每个视图的潜在表示为训练其他视图的潜在表示提供了一种自监督信号。此外，SIB-MSC试图通过引入基于互信息的正则化项，为每个视图学习另一个潜在空间以捕获视图特定信息，从而进一步提高多视图子空间聚类的性能。据我们所知，这是首个探索信息瓶颈用于多视图子空间聚类的工作。在真实世界多视图数据上的大量实验表明，我们的方法相比相关的最先进方法取得了更优越的性能。
引用
@article{arxiv.2204.12496,
title = {Self-Supervised Information Bottleneck for Deep Multi-View Subspace Clustering},
author = {Shiye Wang and Changsheng Li and Yanming Li and Ye Yuan and Guoren Wang},
journal= {arXiv preprint arXiv:2204.12496},
year = {2023}
}