面向可学习锚点的深度多视图聚类

深度多视图聚类融合图学习展现出巨大的潜力。大多数方法会因数据规模而产生平方级时间消耗。理论上，基于锚点的图学习可缓解这一限制，但相关深度模型主要依赖手动离散化方法选择锚点，这表明：1) 锚点在模型训练期间保持固定；2) 它们可能偏离真实的簇分布。 Consequently，不可靠的锚点可能破坏聚类结果。本文提出 Deep Multi-view Anchor Clustering (DMAC) 模型，实现线性时间聚类。具体而言，初始锚点通过从高斯分布中采样的正激励噪声进行干预，使得它们可以与新设计的锚点学习损失一起优化，该损失促进样本与锚点之间的明确关系。随后，设计锚点图卷积来建模由锚点形成的簇结构，并构建互信息最大化损失以提供跨视图聚类指导。如此一来，学习得到的锚点能够更好地代表簇。凭借最优锚点，计算完整样本图以获得判别性嵌入用于聚类。广泛的实验表明，DMAC 在多个数据集上相较于最先进的竞争方法表现出优越性能和效率。