基于卷积注意力和对比学习的多视图聚类

来源：计算机技术与发展杂志2023年第08期北京时间：

作者：倪团雄;';洪智勇;';余文华;';张昕

单位：1. 五邑大学 智能制造学部,广东 江门 529020;2. 粤港澳工业大数据协同创新中心,广东 江门 529020

摘要：多视图聚类能够综合不同视图的互补信息,往往能获得比单一视图更好的效果。 然而,传统多视图聚类方法受限于线性和浅层的学习函数,难以表征数据的深层信息;现有的深度学习方法在表征多视图数据时,对多维度的细节特征关注度有所不足。 针对这些问题,提出一种基于卷积注意力机制的编码器模型( AEMC) ,该模型根据不同视图的特定表征,在编码器中融入卷积注意力模块自适应学习各个视图的关键特征,此外,为了优化模型,根据编码器表征,通过对比学习策略构造正负样本,使正样本间的相似度增加,负样本的相似度减少,引导聚类过程从而使其更具鲁棒性。 实证结果表明,模型优于当前大多数主流方法,并在 E-MNIST、E-FMNIST、VOC 和 RGB-D 数据集上聚类精度比基准模型分别提高了 10. 2% 、8. 1% 、7. 4% 和 4. 9% ,在手写数据集 E-MNIST 和 E-FMNIST 的聚类准确率分别高于目前最优的对比聚类方法(CoMVC)0. 7% 和 1. 3% ,在 VOC、RGB-D 数据集上略低于对比聚类方法( CoMVC) 。

关键词：编码器;多视图聚类;卷积注意力;对比学习;深度学习