Contrastive Consensus Graph Learning for Multi-View Clustering 基于对比一致性图学习的多视图聚类

作者：Shiping Wang, Xincan Lin, Zihan Fang, Shide Du, and Guobao Xiao

福州大学计算机与数据科学学院

引用：Wang S, Lin X, Fang Z, et al. Contrastive consensus graph learning for multi-view clustering[J]. IEEE/CAA Journal of Automatica Sinica, 2022, 9(11): 2027-2030.

一、摘要

        这篇论文提出了一种基于对比一致性图学习的多视图聚类模型。图通常被建立来描述聚类任务中多模型对象之间的相关性，而多视图图聚类旨在学习一个类簇中每个视图空间属性的一致性图。然而，大多数基于图的模型仅考虑来自所有视图的整体结构，却忽略了不同视图之间的局部空间一致性，导致学习到的图缺乏全局空间一致性。为了解决这个问题，建立了一个深度卷积网络来探索原始亲和图中的潜在局部空间信息。具体来说，我们采用一致性图约束来保持学习图与原始图之间的全局一致性。此外，引入对比重构损失来实现重构图与原始图之间的样本级近似，这有助于网络增强一致性图学习。对六个经典数据集的实验证明，所提出的模型优于其他九种最先进的算法。

二、相关工作

        在实际应用中，多媒体数据通常通过多种方式生成，并以多种形式呈现，被称为多视图数据。与单视图数据相比，多视图数据包含了更加全面的信息，这使得多视图学习成为热点领域。之前的工作 [1]，[2] 已经致力于这一领域，并取得了令人满意的结果。作为多视图学习的一个重要分支，多视图聚类旨在有效地融合信息，并发现多视图之间共享的潜在聚类结构。由于每个视图对同一对象具有独特的关注点，多视图数据往往是互补且一致的。因此，将多视图特征整合起来，充分利用一致性和互补性来获得共享的判别性表示是至关重要的。

三、引言      

       大量的研究尝试从多视图数据中提取共享信息以改善聚类性能[3]–[5]，其中基于图的方法是一个主流问题。图通常用来表示不同对象之间的关系，其中节点对应于数据对象，加权边表示数据点之间的相似度。一般来说，多视图图聚类方法可以大致分为两个阶段：首先从所有视图学习一个一致图，然后在学习的图上应用后处理技术来获得聚类结果[6]。由于学习到的图的质量可以直接决定聚类效果，如何学习一个高质量的图成为一个关键问题[7]。为此，[3]提出了一种自加权方法，探索拉普拉斯约束图，并直接获得聚类结果，无需任何后续处理。[8]设计了一个正则化项，自适应地学习视图的权重，以丰富多样性并减少冗余。此外，为了避免预定义图质量的影响，[9]引入了一个不一致性损失函数，并约束了学习图的拉普拉斯矩阵的秩。然而，这些方法仅关注于每个视图的最优权重学习，忽略了不同视图之间的局部空间一致性，导致空间完整性不足。        此外，构建了多种深度聚类方法，挖掘数据中潜在的语义信息。例如，[10]提出了一种深度典型相关分析框架，该框架使用两个深度神经网络提取每个视图的隐式特征。为了更好地挖掘互补信息，[11]提出了一种半非负矩阵分解方法来学习多视图数据的层次语义。文献[12]将视图内不变性、视图间一致性和非线性嵌入网络相结合，学习光谱聚类的公共空间。最近，[13]提出了一种用于聚类的实例级和聚类级对比学习方法，[14]将图学习的实例级一致性提升到聚类级一致性。同时，[15]通过引入对比学习，使不同观点之间的相互信息最大化，从而获得信息丰富且一致的表征。尽管这些基于自编码器的模型可以有效地提取潜在信息，但它们只实现了元素级的重构逼近，缺乏样本级的逼近，不利于共识图的学习。       

基于以上观察，我们提出了一种利用卷积自编码器学习共识图的多视图聚类网络。所提出的网络如图1所示，由一个图构建层和一个对称卷积自编码器组成。

图释：图1所示。该模型由图构造层和卷积自编码器网络组成。在给定原始数据的情况下，该模型首先通过特定的图构造方法构造亲和图。将关联图输入卷积自编码器，通过最小化自编码器损失、一致性图损失和对比重建损失来学习一致性图。具体而言，我们将卷积自编码器、共识图学习和对比重建学习整合到一个统一的框架中，以获得具有空间一致性的共同图。主要贡献总结如下：1）建立卷积自编码器，从不同视图中捕获局部空间信息，并获得潜在的共识图；2）提出共识图损失来近似所有原始图的共识图，以保持学习图的全局空间一致性；3）引入对比重建损失来约束样本级一致性，并增强重建图与原始图之间的相似性。

四、方法        

​五、实验

六、结论        

本文提出了一种对比共识图学习模型来学习共识图，该模型采用卷积自编码器网络来有效地挖掘数据之间的潜在空间关联。在一致性图损失的约束下，学习图能够在不同视图之间保持全局空间一致性。此外，引入对比重构损失来实现重构图与原始图之间的样本级逼近，进一步增强了学习图的一致性。实验结果证明了该模型的优越性