基于多级特征融合的深度多视图对比学习聚类方法

来源：计算机技术与发展杂志2025年第04期北京时间：

作者：王梅;于源泽;尹传龙

摘要：多视图聚类作为一种无监督的多视图学习方法,无需对大多视图数据进行标记,通过聚类即可从多个视图中挖掘出通用语义。 针对传统多视图聚类方法在特征融合和视图信息一致性处理上的不足,该文提出了一种基于多级特征融合的深度多视图对比学习聚类方法,以优化聚类性能并增强模型对多视图数据中共同语义的捕获及其在特征空间中的区分度。 该方法通过初级与次级编码器独立提取各视图的特征,并采用基于门控机制的多级特征融合模块动态调整特征的融合权重。 同时,引入对比学习机制,设计了特征对比损失和语义标签对比损失,以及加权互信息损失函数,进一步平衡视图间的一致性与特征重建目标。 在公开的多视图数据集上进行的实验验证了该方法的有效性,相较于对比方法显著提高了聚类的准确性和鲁棒性。

关键词：深度多视图聚类;多级特征融合;对比学习;语义一致性学习;鲁棒性