Deep Contrastive Multi-view Clustering under Semantic Feature Guidance

对比学习最近在多视角聚类领域取得了有希望的表现。然而，忽略语义一致性的正负样本构造机制会导致假阴性对，限制了现有算法进一步提高性能。为了解决这个问题，我们提出了一个名为“在语义特征指导下的深度对比多视角聚类框架”（DCMCS）的多视角聚类框架，以减轻假阴性对的影响。具体而言，首先从原始特征中提取视图特定特征，并根据视图重要性融合以获得融合视图特征。为了减轻视图私有信息的干扰，通过集群级对比学习学习特定视图和融合视图语义特征，并将它们连接起来以测量实例的语义相似性。通过最小化由语义相似性加权的实例级对比损失，DCMCS自适应地减弱了假阴性对之间的对比学习。在几个公共数据集上的实验结果表明，所提出的框架优于现有的最先进方法。

本文旨在解决多视角聚类中由于忽略语义一致性而导致的假负样本对性能的影响问题。

本文提出了一种名为DCMCS的多视角聚类框架，利用语义特征指导下的对比学习来减轻假负样本对性能的影响。

本文的亮点包括：提出了一种新的多视角聚类框架；使用了cluster-level对比学习来学习语义特征；在多个公共数据集上进行了实验，结果表明该框架优于现有方法。

近期的相关研究包括：Multi-view Clustering via Deep Matrix Factorization、Multi-view clustering: A survey等。