结构增强对比学习驱动的自适应多视图一致性聚类（AdaM）：提升多视图聚类中的视图一致性、判别性与鲁棒性

《Pattern Recognition》：Adaptive Multi-view Consistency Clustering via Structure-enhanced Contrastive Learning

本文提出了一种基于结构增强对比学习的自适应多视图一致性聚类方法（AdaM），针对当前多视图对比聚类中存在的类冲突问题和视图质量差异导致的表示退化问题，创新性地引入自适应多视图一致性（AMVC）框架与共识表示对齐机制，显著提升了聚类性能。

　　

Highlight

我们提出了一种名为“共识视图”（Consensus View）的新型对比对齐范式，以及基于自适应多视图一致性的聚类框架（AMVC），该框架在信息瓶颈理论的支持下，能够直接学习出同时兼顾视图一致性、判别性和鲁棒性的最优共识表示。

Introduction

作为一种无监督学习方法，多视图聚类因其能够整合来自多视图数据中不同来源的互补表示而受到广泛关注。近年来，深度学习的强大表示能力与对比学习的自监督框架共同推动了对比多视图聚类的发展。对比多视图聚类的目标是学习一个同时具备视图一致性、判别性和鲁棒性的最优共识表示。视图一致性和判别性是多视图聚类中的两个核心属性，其中视图一致性捕捉跨视图的共享语义信息，而判别性则保持不同聚类之间的语义区分度。然而，现有方法往往只侧重于部分特性，且在传统的跨视图一致性（CVC）框架下，学习最优共识表示仍存在根本性挑战。

Section snippets

Multi-view Contrastive Learning

对比学习是自监督学习中最受欢迎的范式之一，其核心思想是学习一个能够区分来自两个不同分布样本的映射函数。与前述对比学习不同，多视图对比学习……

Preliminaries and Framework

多视图表示学习旨在寻找多个分布 p(Z^v|X^v)，将原始数据 X^v 映射到特征空间 Z^v，并整合各特征表示 Z^v 的公共语义信息，以学习具备视图一致性的共识表示。然而，我们强调共识表示还应具备判别性与鲁棒性，即最优共识表示。

Methodology

本节首先确认多视图数据中普遍存在视图质量差异现象，随后提出我们称为AdaM的自适应对比多视图一致性聚类方法。AdaM主要通过两种策略增强共识表示的判别性与鲁棒性：首先，我们设计了一种通过加权聚合特定视图结构表示以学习最优共识表示的新方法（视图融合模块）；其次，我们提出一种结构对比损失，进一步增强表示判别性。

Experimental Settings

我们在8个数据集上开展实验，这些数据集的样本量从169到50,000不等，且具有不同的维度与视图数量，具体信息见表2。

Conclusion & Future Work

本文提出了一种通过结构增强对比学习实现的自适应多视图一致性聚类方法（AdaM），该研究通过多项关键创新推动了多视图聚类领域的发展。首先，我们提出了新型对比对齐范式“共识视图”与AMVC框架，为学习能够平衡视图一致性、判别性与鲁棒性的最优共识表示提供了理论基础。其次，该框架的具体实现……

Supplementary material

本文相关的补充材料可在网络版本中查看，访问地址为：10.1016/j.patcog.2025.112409

CRediT authorship contribution statement

徐倩雪：负责综述撰写、初稿写作、可视化、验证、监督、资源、方法论、研究、形式分析、概念化。蔡琦：参与综述撰写与方法论讨论。张展玮：参与综述撰写与可视化工作。雷一鸣：参与综述撰写。单洪明：参与综述撰写与监督工作。张军平：参与综述撰写与监督工作。

Declaration of competing interest

作者声明不存在任何已知的、可能影响本研究报告的竞争性财务利益或个人关系。

Acknowledgment

本研究得到了国家自然科学基金（批准号：62176059、62471148、62306075）的资助。