Deep Multiview Clustering by Contrasting Cluster Assignments

要約

マルチビュー クラスタリング (MVC) は、データ サンプルをクラスターに分類することによって、マルチビュー データの基礎となる構造を明らかにすることを目的としています。
深層学習ベースの手法は、大規模なデータセットに対して強力な特徴学習機能を発揮します。
ほとんどの既存のディープ MVC メソッドでは、複数のビューの不変表現を探索することは、依然として手に負えない問題です。
この論文では、ビュー不変表現を学習し、複数のビュー間でクラスターの割り当てを対比することによってクラスタリング結果を生成するクロスビュー対比学習 (CVCL) 手法を提案します。
具体的には、まずディープ オートエンコーダーを使用して、事前トレーニング段階でビュー依存の特徴を抽出します。
次に、微調整段階で複数のビュー間で一貫したセマンティック ラベル情報を探索するために、クラスター レベルの CVCL 戦略が提示されます。
したがって、提案された CVCL 方法は、この学習戦略のおかげで、より識別的なクラスター割り当てを生成できます。
さらに、ソフト クラスター割り当てアラインメントの理論的分析を提供します。
いくつかのデータセットで得られた広範な実験結果は、提案された CVCL 手法がいくつかの最先端のアプローチよりも優れていることを示しています。

要約(オリジナル)

Multiview clustering (MVC) aims to reveal the underlying structure of multiview data by categorizing data samples into clusters. Deep learning-based methods exhibit strong feature learning capabilities on large-scale datasets. For most existing deep MVC methods, exploring the invariant representations of multiple views is still an intractable problem. In this paper, we propose a cross-view contrastive learning (CVCL) method that learns view-invariant representations and produces clustering results by contrasting the cluster assignments among multiple views. Specifically, we first employ deep autoencoders to extract view-dependent features in the pretraining stage. Then, a cluster-level CVCL strategy is presented to explore consistent semantic label information among the multiple views in the fine-tuning stage. Thus, the proposed CVCL method is able to produce more discriminative cluster assignments by virtue of this learning strategy. Moreover, we provide a theoretical analysis of soft cluster assignment alignment. Extensive experimental results obtained on several datasets demonstrate that the proposed CVCL method outperforms several state-of-the-art approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google