【文章摘要-20230427】Subspace-Contrastive Multi-View Clustering

原文链接

摘要：大部分多视角聚类方法受到了浅层模型的局限性，而没有非线性信息预测的性能或难以有效探索隐藏在不同视角下的互补信息。

为了解决此类问题，作者提出了创新的子空间对比多视角聚类方法（SCMC）。特别地，SCMC采用特殊视角的自动编码方法映射原始多视角数据到保存非线性结构的紧凑特征中。考虑到不同模态存在的海量语义鸿沟，作者应用子空间学习来统一多视角数据至一个联合的语义空间中，即嵌入的紧凑特征通过多个子表示层分别学习子空间表示。为了提升判别性并挖掘多个子空间表示的互补性，作者采用对比策略最大化positive样本对之间的相似度并区分negative样本对。因此，作者开发了一个权重同和方案初始化学习一个一致性的亲和矩阵。此外，作者采用图正则化方法去编码多个子空间的局部几何结构用于进一步细化样本间合适的亲和性。

为了证明所提模型的有效性，作者在8个数据集做实验，结果表明所提方法由于已存在的浅层和深度多视角聚类算法。