Sep, 2023

非对称双翼多视图聚类网络用于探索多样且一致的信息

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 对比聚类分配的深度多视图聚类

    本文提出了一种跨视角对比学习（CVCL）方法，该方法利用深度自编码器将视角相关特征提取出来，通过对多个视角下的聚类结果对比来学习视角不变性表示，并利用聚类级别的 CVCL 策略在微调阶段来探索多个视图之间的一致语义标签信息，从而能够产生更有区分度的聚类结果。实验结果表明该方法优于现有的更先进的方法。

    Apr, 2023

  • 基于一致性增强的深度多视图对比学习的聚类

    通过对比学习构建一致增强的深度多视图聚类方法（CCEC），该方法通过多个视图之间的语义连接块保存一致信息，并通过谱聚类增强聚类过程的一致性。实验证明该方法在五个数据集上相比最先进方法具有更好的效果和优越性。

    Jan, 2024

  • DealMVC：用于多视图聚类的双对比校准

    多视角对比聚类中的双重对比校准网络 (DealMVC) 的提出，通过融合机制获取全局交叉视图特征，借助全局和局部对比校准损失实现多视图信息的多样性利用，并通过准确的类别信息规范化特征结构，以获得不同视图中相似样本的类似特征，最终实验证明了算法的有效性和优越性。

    Aug, 2023

  • 多视角深度子空间聚类网络

    通过提出一种新的多视角深度子空间聚类网络 (multi-view deep subspace clustering network, MvDSCN)，并借助多元深度自显式矩阵 (self-representation matrix) 来学习，该模型可用于探测互补信息以有助于提取内在的结构，并且优于其他的多特征、多模态学习模型。

    Aug, 2019

  • 深度嵌入多视角聚类与协同训练

    本文提出了一种深度嵌入式多视图聚类方法，其中包括对多视图的共识和互补性的考虑以及一种新的协作训练方案，并针对多视图聚类性能进行了实验性结果分析。

    Jul, 2020

  • 层次互信息分析：走向野外多视角聚类

    本文提出一种深度多视角聚类 (Multi-view Clustering) 框架，将数据恢复和对齐融合在一个层次一致的方式中，通过最大化不同视角之间的互信息，并确保它们的潜在空间的一致性来解决多视角数据在现实世界应用中的视角缺失和不对齐问题。实验结果表明，我们的方法在多视角聚类中显著优于现有方法，即使在视角缺失和不对齐的情况下也是如此。

    Oct, 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

  • 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

  • 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