Robust Sample Relationship-Guided Contrastive Multi-View Clustering

Xiao Zheng

doi:10.1109/tmm.2026.3742642

Robust Sample Relationship-Guided Contrastive Multi-View Clustering

2026-10-22

0

PRE

AI

DOI：10.1109/tmm.2026.3742642

原文链接

原文求助

摘要

En 中文

近年来，多视图聚类因能够利用多视图间的共享信息，在无监督方式下将样本分类到各自簇中而受到越来越多的关注。尽管取得了显著进展，现有方法仍存在两个关键局限性。首先，基于样本级对比学习的聚类方法可能错误地将同一簇的不同样本视为负样本对，这与聚类目标相悖，并可能显著降低性能。其次，将所有视图同等对待会忽略视图质量的显著差异，允许低质量视图引入噪声并影响聚类结果。为解决这些问题，我们提出了一种新颖且具有竞争力的多视图聚类框架，称为鲁棒样本关系引导对比多视图聚类（RSRMVC）。具体而言，为缓解虚假负样本对的问题，我们引入了样本关系引导对比学习（SRCL）模块，利用注意力机制建模样本间关系。这些学习到的关系被整合到对比目标中，使模型能够有效抑制由虚假负样本引入的错误排斥惩罚。此外，为减少低质量视图的影响，我们设计了鲁棒表示对比学习（RRCL）模块，在聚类标签概率分布上执行对比学习以鼓励跨视图一致性。各视图与剩余视图间的平均归一化互信息（NMI）被用作特征对比损失的适应权重，优先考虑可靠视图并抑制低质量视图的噪声。在多个基准数据集上的广泛实验结果表明，所提出的RSRMVC框架在大多数数据集和指标上均能获得优越或具有竞争力的性能，验证了其有效性和鲁棒性。

Keyword:

Multi-view clustering

clustering

contrastive learning

representation learning

self-supervised learning

Robust Sample Relationship-Guided Contrastive Multi-View Clustering

摘要

期刊

机构

引用论文