.png){kind=icon}
返回
Robust augmentation-based contrastive clustering with negative data mining
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.110414.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对比学习因其学习判别性表示的优越性能，已被广泛应用于无监督聚类任务。然而，当前对比聚类方法中常用的数据增强方式倾向于结合弱增强和强增强，由于线性变换的特性，这使得生成真正的硬增强样本具有挑战性。此外，对比学习中负样本设置的简单性通常会导致假阳性样本，从而加剧聚类性能下降。为缓解这些问题，我们提出了一种基于鲁棒增强和负样本挖掘的对比聚类方法。首先，引入了一种鲁棒增强方法，该方法结合非线性增强与传统线性增强方法形成对比样本对，以弥补线性增强在捕捉复杂特征方面的局限性。随后，我们提出一个假设，即如果一个类别中广泛偏离其簇原型的众多样本最接近其他簇原型，则认为这两个类别是视觉混淆类别（VCCs）。显然，VCCs在聚类过程中特别容易导致边界重叠。因此，我们采用置信度估计准则获取伪标签，并增加带有VCCs标签的负样本/类别的权重，从而提升聚类决策边界的质量。在四个常用图像基准数据集上的综合实验表明，所提出的方法是高效的。
Keyword:
Contrastive clustering
Representation learning
Unsupervised learning
Image clustering
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
引用论文
Graph contrastive learning for recommendation with generative data augmentation基于生成式数据增强的图对比学习推荐.png)
MULTIMEDIA SYSTEMS
MULTIMEDIA SYSTEMSIF3.1
PREAI
分享收藏Financial connectedness and risk transmission among MENA countries: Evidence from connectedness network and clustering analysis中东和北非国家之间的金融联系与风险传递: 来自联系网络和聚类分析的证据
OAAI
OAAI分享收藏
分享收藏
查看更多内容