THCRL：面向多视图聚类的可信层次对比表示学习
计算机视觉与模式识别
2025-12-11 v2
摘要
多视图聚类（MVC）近年来受到广泛关注。它能够通过学习一致表示来将数据样本划分为 distinct 的组。然而，一个显著挑战仍然存在：不可信融合的问题。这一问题主要源于两个关键因素：1) 现有方法常常忽视单个视图中固有的噪声；2) 在使用对比学习（CL）的传统 MVC 方法中，相似度计算通常依赖于同一实例的不同视图，同时忽略同一簇内最近邻居的结构信息。因此，这导致了多视图融合的错误方向。为解决此问题，我们提出了一种新型的可信层次对比表示学习（THCRL）。它包含两个关键模块。具体而言，我们提出了深度对称层次融合（DSHF）模块，该模块利用集成多个去噪机制的 UNet 架构，以实现多视图数据的可信融合。此外，我们提出了平均 K 最近邻对比学习（AKCL）模块，用于将融合表示与视图特定表示对齐。与常规策略不同，AKCL 通过增强属于同一簇的样本之间的表示相似性，而不仅仅是同一样本在不同视图之间的相似性，从而强化了融合表示的可信度。大量实验表明，THCRL 在深度 MVC 任务中实现了最先进的性能。
引用
@article{arxiv.2512.00368,
title = {THCRL: Trusted Hierarchical Contrastive Representation Learning for Multi-View Clustering},
author = {Jian Zhu},
journal= {arXiv preprint arXiv:2512.00368},
year = {2025}
}