.png){kind=icon}
返回
Semi-supervised multi-level contrastive learning for deep clustering
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.116814.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
半监督聚类旨在基于有限先验知识对数据进行分组。成对约束，即指定两个样本是否应属于同一簇，是先验知识的一种常见形式。然而，在实际场景中获取此类约束通常费时且昂贵。可用的约束数量有限会导致半监督聚类中约束稀疏且分布不均，从而降低聚类性能。本研究提出SMCC模型，一种半监督多级对比聚类模型，用于解决深度半监督聚类中因约束数量有限而导致的稀疏和分布不均的成对约束问题。具体而言，SMCC将有限的成对约束纳入特征级和样本级对比目标中，推断全局样本关系以填补这些有限约束留下的空白，从而提升半监督聚类效果。该模型包含两个关键组件：特征级对比学习器，通过融入先验成对约束和局部关联来改进表示学习；样本级对比学习器，基于增强的表示捕捉全局关系以进一步优化聚类分配。在多个基准数据集上的广泛实验表明，SMCC优于多种当前最先进的聚类方法，凸显了其在半监督聚类任务中的有效性。
Keyword:
Semi-supervised clustering
Multi-level contrastive learning
Pairwise constraints
Global relationship
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
分享收藏分享收藏Subclass consistency regularization for learning with noisy labels based on contrastive learning基于对比学习的带噪声标签学习子类一致性正则化.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容