.png){kind=icon}
返回
Multi-view subspace tensorization with attentive clustering embedding
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.108344.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于深度学习的多视角聚类（DMVC）已引起广泛关注并取得显著成功，这主要归功于其强大的非线性表示能力。然而，大多数现有的DMVC方法在有效建模不同视角间的固有高阶相关性方面存在不足。相比之下，传统的MVC技术早已认识到基于张量的方法在捕捉此类复杂交互方面的有效性。为弥合这一差距，我们提出了STANCE（多视角子空间张量化与注意力聚类嵌入），一种将张量建模整合到深度学习范式中的新型DMVC框架。具体而言，STANCE首先采用视角特定的自编码器将原始数据投影到潜在特征空间，实现鲁棒的子空间表示。这些表示随后被堆叠以构建一个三阶张量，并在其上施加基于张量的低秩约束，以明确捕捉高阶的视角间依赖关系。为进一步增强跨视角的一致性，STANCE引入了一个基于注意力的自适应融合模块，该模块在样本层面动态分配权重给视角特定的表示，从而从既相似又自信的特征中提取一致信息。为全面评估STANCE的有效性，我们进行了包括参数分析、消融研究和视觉比较在内的综合实验。结果表明，STANCE在多个基准数据集上显著优于当前最先进的方法。
