.png){kind=icon}
返回
Self-Refining Spherical Consensus Embedding for Constrained Multi-View Clustering
.png){kind=icon}
PRE
AI
DOI：10.1109/tpami.2026.3727677.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
约束多视图聚类旨在整合外部先验知识和多视图互补信息以提升聚类性能。然而，现有方法通常采用欧氏距离学习视图特定嵌入和共识嵌入，往往难以捕捉高维数据的内在几何结构。此外，对有限外部约束或预定义锚点的依赖通常导致次优泛化性能和对锚点质量的敏感性。为解决这些局限性，我们提出了一种新颖的深度约束多视图聚类框架，即SeSCE。具体而言，我们将视图嵌入编码到球面空间中，利用成对约束最大化类内紧致性和类间可分性。关键地，设计了一种置信度感知的伪约束挖掘机制，通过迭代地从高置信度预测中提炼可靠的成对约束。这通过逐步锐化聚类边界有效弥合了无监督特征学习与判别聚类之间的差距。最后，引入了一种全局感知的注意力机制以促进自适应多视图融合。大量实验表明，我们的算法优于当前最先进的方法。
Keyword:
Multi-view clustering
deep clustering
constrained clustering
representation learning
查看更多机构