【阅读】AMVC

weixin_43267093

已于 2024-01-20 11:34:04 修改

阅读量902

点赞数 21

分类专栏：论文文章标签：论文阅读

于 2024-01-18 22:06:55 首次发布

本文链接：https://blog.csdn.net/weixin_43267093/article/details/135683598

版权

论文专栏收录该内容

3 篇文章 0 订阅

订阅专栏

摘要

现有的深度多视图聚类方法主要基于自动编码器网络，这些方法寻求共同的潜在变量去单独地重构每个视图的原始输入。然而，由于视图特定的重构损失，要在多个视图上提取一致的潜在表示进行聚类是具有挑战性的。为了解决这个问题，本文提出了对抗性多视图聚类网络。该方法根据不同视图之间的融合潜在表示生成每个视图的样本，以促使更一致的聚类结构。具体而言，多视图编码器用于从所有视图中提取潜在描述，相应的生成器用于生成重构的样本。判别网络和均方损失被联合用来训练多视图编码器和生成器，以平衡每个视图潜在表示的独特性和一致性。此外，还开发了一个自适应融合层，用于获取共享的潜在表示。在这个共享的潜在表示上进一步施加了聚类损失和L1、L2范数约束，以提高聚类性能并区分潜在空间。

网络框图

AMVC网络

1.多视图编码器模块

编码器网络 $E=\left \{ E_{1},E_{2} ,...,E_{v},...E_{V}\right \}$ ,对于每个视图，有M层独立的全连接网络和具有共享参数的N层全连接网络。独立层用于处理每个视图的不同特征维度。

2.多视图生成对抗模块

生成器： $G=\left \{ G_{1} ,...G_{v},...G_{V}\right \}$ ，判别器： $D=\left \{ D_{1},...D_{v},...D_{V} \right \}$ 。多视图生成器网络与多视图编码器具有对称结构，它具有N层共享参数的全连接网络和每个视图的独立的M层全连接网络，这些网络能够生成与每个视图相对应的潜在表示的所有视觉重构样本。（重构样本由生成器生成）。判别器网络由V个全连接网络组成，每个判别器 $D_{v}$ 由三个全连接层组成。 $D_{v}$ 将鉴别结果反馈给生成器 $G_{v}$ ，以更新其参数。通过这种方式，判别器作为正则化器指导编码器网络的训练，以获得更好地嵌入表示的鲁棒性并有效的解决过拟合问题。

3.深度聚类模块

为了获得共享的潜在表示 $Z$ ，该模型引入了一个加权自适应融合层 $FU$ ，它自适应的将 $V$ 个潜在表示融合成一个公共表示 $Z=f\left ( \left \{ Z^{v} \right \}_{v=1}^{V};\beta \right )$ 。为了寻求一个适合聚类的潜在空间，又在网络中开发了一个独特的深度嵌入聚类层 $CU$ 。嵌入的聚类层在每次迭代后包含新的聚类质心。用共享表示 $Z$ 和聚类质心 $\left \{ U_{j} \right \}_{j=1}^{k}$ 来获得当前的数据分布和目标数据分布。另用当前数据分布和目标数据分布的KL散度作为目标函数，迭代更新共享表示和聚类中心。