.png){kind=icon}
返回
Reliable continual multi-modal clustering
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2026.114527.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多模态聚类旨在揭示不同模态之间的内在相似性和结构。在持续到达模态的真实场景中，持续多模态聚类（CMC）已获得显著关注。然而，现有CMC方法存在严重不可靠性，因为聚类性能依赖于模态到达顺序，即所谓的顺序敏感性。此问题可归因于两个主要因素。首先，它们对历史信息的无限制修改导致共享嵌入空间中噪声和偏差的逐渐积累。其次，它们通常不加区分地蒸馏历史信息，缺乏基于模态质量的价值观分。为解决这些局限性，我们提出了一种新型可靠的持续多模态聚类方法（RCMC），可实现顺序无关的持续学习。RCMC的核心原理是防止新模态任意覆盖历史表示，并确保模型优先巩固高价值记忆。RCMC引入了可靠的信息传播约束，结合残差融合与跨时间双向过滤，以保持与历史和最新到达信息的有效交互，从而减少单边主导并约束任意历史覆盖。此外，RCMC包含高价值记忆巩固机制，通过强制跨时间一致性并基于模态质量评估选择性保留有价值的历
Keyword:
Multi-modal clustering
Continual learning
Sequence-agnostic
