面向多视图聚类的平稳扩散状态神经估计
机器学习
2021-12-03 v1
摘要
尽管许多基于图的聚类方法试图在其目标中建模平稳扩散状态，但其性能受限于使用预定义图。我们认为，平稳扩散状态的估计可通过神经网络的梯度下降来实现。我们专门设计了平稳扩散状态神经估计（SDSNE）以利用多视图结构图信息进行协同监督学习。我们探索了如何专门设计图神经网络用于无监督多视图学习，并通过共享自注意力模块将多个图整合为统一的共识图。该视图共享自注意力模块利用图结构学习一个视图一致的全局图。同时，与大多数无监督学习图神经网络使用自编码器不同，SDSNE采用带有结构信息的协同监督策略来监督模型学习。该协同监督策略作为损失函数引导SDSNE达到平稳状态。在损失函数和自注意力模块的帮助下，我们学习得到一个图，其中每个连通分量内的节点以相同权重完全连接。在多个多视图数据集上的实验证明了SDSNE在六项聚类评价指标上的有效性。
引用
@article{arxiv.2112.01334,
title = {Stationary Diffusion State Neural Estimation for Multiview Clustering},
author = {Chenghua Liu and Zhuolin Liao and Yixuan Ma and Kun Zhan},
journal= {arXiv preprint arXiv:2112.01334},
year = {2021}
}
备注
AAAI 2022