Cluster-graph convolution networks for robust multi-view clustering

Wei Zheng

doi:10.1016/j.knosys.2025.114163

Cluster-graph convolution networks for robust multi-view clustering

2025-07-25

0

PRE

AI

DOI：10.1016/j.knosys.2025.114163

原文链接

原文求助

摘要

En 中文

现有针对无标签多视图数据的深度对比表示学习方法通过缩小视图间差异展示了出色的性能。然而，大多数方法主要关注从多个视图中提取公共语义的过程，而这只是影响无监督多视图表示学习性能的因素之一。另外两个常被忽视的因素是：i) 如何提高最终表示的判别能力。基于无监督的方法在聚类任务上通常随着类别数量的增加而表现更差。ii) 如何平衡多个视图的贡献（特别是在具有两个以上视图的数据中）。我们观察到，学习的表示质量也受到某些视图的影响，即当某些视图参与训练时，模型精度可能会降低。为了解决这些因素，我们提出了一种基于对比学习的新方法，称为用于鲁棒多视图聚类的聚类-图卷积网络（CGC-RMC），用于无标签多视图数据。具体来说，我们在基于对比学习的基本框架中设计了专门的空间聚类图卷积和新的自适应样本加权策略来解决上述两个因素。此外，所提出的方法采用通信融合模块来缓解视图私有信息对最终视图表示的影响。广泛的实验表明，所提出的方法在六个多视图数据集上，基于学习表示在聚类任务上的性能，优于十一种竞争性的无监督表示学习方法。

Keyword:

contrastive learning

multi-view clustering

cluster-graph convolution

adaptive sample-weighted strategy

view fusion

Cluster-graph convolution networks for robust multi-view clustering

摘要

期刊

机构

引用论文