AAAIMar, 2023

DICNet: 双不完整多视角多标签分类的深度实例级对比网络

PDF
TL;DR本论文提出了一种名为 DICNet 的深度实例级对比网络，能够有效地应对数据收集和手动注释的不确定因素所导致的多视图多标签数据缺失的问题。通过利用深度神经网络，DICNet 能够更好地提取多视图样本的高级语义表征，并在此基础上采取一系列手段来提高平稳性、加强语义特征分辨率。大量实验结果表明，本方法能够比其他最先进的方法更好地捕捉一致且有区别的多视图多标签数据的表示特征。
发现论文，激发创造
  • CDIMC-net：认知深度不完整多视角聚类网络

    本文提出了一种新的不完整多视角聚类网络，称为 CDIMC-net，用于解决基于浅层模型的不完整多视角聚类方法中存在的问题，包括获取具有辨别力的共同表示以及对噪声和异常值的敏感性。实验结果表明，CDIMC-net 在几个不完整数据集上表现优于现有的不完整多视角聚类方法。

    Mar, 2024

  • 非对称双翼多视图聚类网络用于探索多样且一致的信息

    研究论文通过提出一种名为 CodingNet 的新型多视角聚类网络，在无监督场景下探索深度和浅层特征之间的多样性和一致性信息，并使用双重对比机制在视角 - 特征和伪标签级别上保持深度特征的一致性，通过广泛的实验验证了该框架在六个常用基准数据集上的有效性，超过了大多数最先进的多视角聚类算法。

    Sep, 2023

  • 通过直接对比学习防止不完全多视角聚类的维度坍塌

    提出了一种新的不完整多视图对比聚类框架，它直接优化了潜在特征子空间，并利用学习的特征向量及其子向量进行重建学习和一致性学习，从而有效地避免了维度崩溃，同时通过交叉视图预测机制来恢复不完整数据，采用最小条件熵来丢弃不一致信息，进一步避免私有信息的影响。实验结果表明，该方法在 5 个公共数据集上实现了最先进的聚类结果。

    Mar, 2023

  • 掩膜式两通道解耦框架用于不完整多视图弱多标签学习

    提出了一种基于深度神经网络的掩码两通道解耦框架，用于解决复杂而高度逼真的不完全多视角弱多标签学习任务，核心创新在于将深度多视学习方法中的单通道视图级表示解耦为共享表示和视图专有表示，并设计了交叉通道对比损失以增强两个通道的语义属性。此外，利用监督信息设计了标签引导的图正则化损失，帮助提取的嵌入特征保持样本间的几何结构，并开发了随机片段掩码策略来改善编码器的学习能力。值得强调的是，我们的模型完全适应任意视图和标签缺失，并在理想完整数据上表现良好，在充分充足的实验证明了我们模型的有效性和先进性。

    Apr, 2024

  • 语义特征引导下的深度对比多视图聚类

    通过对视图重要性进行融合，并通过聚类级对比学习和语义特征度量来减弱假阴性对之间的对比学习，我们提出了一个名为 DCMCS 的多视图聚类框架，用于减轻假阴性对的影响。实验结果表明，该框架优于现有方法。

    Mar, 2024

  • 多视角聚合网络用于二分图像分割

    Dichotomous Image Segmentation (DIS) explores the challenge of balancing semantic dispersion and high-precision details in object segmentation. The paper proposes a parsimonious multi-view aggregation network (MVANet) that surpasses state-of-the-art methods in accuracy and speed.

    Apr, 2024

  • ContrastNet：用于小样本文本分类的对比学习框架

    提出了一个名为 ContrastNet 的对比学习框架，来解决少样本文本分类问题中类间相似性引起的混淆和过拟合的问题。经实验证明该方法在 8 个少样本文本分类数据集上优于当前技术水平。

    May, 2023

  • 高置信度引导的不完全对比多视图聚类

    提出了一种名为 ICMVC 的新型不完整对比多视图聚类方法，主要解决不完整多视图数据聚类中的缺失值问题，并通过多视图一致性关系转移、图卷积网络、实例级注意力融合、高置信度引导和对比学习实现了完整多视图表示和聚类分配的联合优化。实验证明了该方法的有效性和优越性。

    Dec, 2023

  • 深度不完整多视角多聚类

    本文提出了一个深度不完全多视图多聚类 (DiMVMC) 框架来处理多视图数据不完整问题，并通过优化多组解码器深度网络来实现数据视图和多个共享表示的同时完成。实验表明，DiMVMC 在生成高质量，多样性的多个聚类方面优于现有的同类竞争对手。

    Oct, 2020

  • 信息恢复驱动的深度不完整多视角聚类网络

    本文提出了一种信息恢复驱动的深度不完整多视角聚类网络，命名为 RecFormer，它可以通过使用自注意力结构和两阶段自编码器来同步提取多个视角的高级语义表示并恢复丢失的数据，利用重构机制来推动进一步的数据重建过程，其实验结果证实 RecFormer 在不完整的多视角聚类领域具有明显的优势。

    Apr, 2023