Consistency Enhancement-Based Deep Multiview Clustering via Contrastive Learning

要約

マルチビュー クラスタリング (MVC) は、複数のビューにわたる情報を合成することにより、データ サンプルを意味のあるクラスターに分離します。
さらに、深層学習ベースの手法は、MVC シナリオにおける強力な特徴学習機能を実証しています。
しかし、一貫性を維持しながら特徴表現を効果的に一般化することは依然として困難な問題です。
さらに、対照学習に基づく既存のディープ クラスタリング手法のほとんどは、クラスタリング プロセス中のクラスタリング表現の一貫性を見落としています。
この論文では、上記の問題をどのように克服できるかを示し、対照学習 (CCEC) による一貫した強化ベースのディープ MVC 手法を提案します。
具体的には、複数のビュー間で一貫した情報を維持するために、セマンティック接続ブロックがフィーチャ表現に組み込まれています。
さらに、スペクトル クラスタリングによってクラスタリングの表現プロセスが強化され、複数のビューにわたる一貫性が向上します。
5 つのデータセットに対して行われた実験により、最先端 (SOTA) 手法と比較した場合の我々の手法の有効性と優位性が実証されました。
このメソッドのコードは、https://anonymous.4open.science/r/CCEC-E84E/ でアクセスできます。

要約(オリジナル)

Multiview clustering (MVC) segregates data samples into meaningful clusters by synthesizing information across multiple views. Moreover, deep learning-based methods have demonstrated their strong feature learning capabilities in MVC scenarios. However, effectively generalizing feature representations while maintaining consistency is still an intractable problem. In addition, most existing deep clustering methods based on contrastive learning overlook the consistency of the clustering representations during the clustering process. In this paper, we show how the above problems can be overcome and propose a consistent enhancement-based deep MVC method via contrastive learning (CCEC). Specifically, semantic connection blocks are incorporated into a feature representation to preserve the consistent information among multiple views. Furthermore, the representation process for clustering is enhanced through spectral clustering, and the consistency across multiple views is improved. Experiments conducted on five datasets demonstrate the effectiveness and superiority of our method in comparison with the state-of-the-art (SOTA) methods. The code for this method can be accessed at https://anonymous.4open.science/r/CCEC-E84E/.

arxiv情報

著者 Hao Yang,Hua Mao,Wai Lok Woo,Jie Chen,Xi Peng
発行日 2024-01-23 10:56:01+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.LG パーマリンク