软件学报

作者：张熠玲，杨燕，周威，欧阳小草，胡节

单位：张熠玲，西南交通大学 计算机与人工智能学院, 四川 成都 61175611,杨燕，西南交通大学 计算机与人工智能学院, 四川 成都 61175602,周威，西南交通大学 计算机与人工智能学院, 四川 成都 61175603,欧阳小草，西南交通大学 计算机与人工智能学院, 四川 成都 61175604,胡节，西南交通大学 计算机与人工智能学院, 四川 成都 61175605

关键词：谱嵌入;近邻学习;知识迁移;多视图聚类;深度聚类

基金：国家自然科学基金(61976247)

谱聚类是聚类分析中极具代表性的方法之一,由于其对数据结构没有太多假设要求,受到了研究者们的广泛关注.但传统的谱聚类算法通常受到谱嵌入的可扩展性和泛化性的限制,即:无法应对大规模设置和复杂数据分布.为克服以上缺陷,旨在引入深度学习框架提升谱聚类的泛化能力与可扩展能力,同时,结合多视图学习挖掘数据样本的多样性特征,从而提出一种知识迁移下的深度一致性多视图谱聚类网络(CMvSC).首先,考虑到单个视图的局部不变性,CMvSC采用局部学习层独立学习每个视图的特有嵌入;其次,由于多视图具有全局一致性,CMvSC引入全局学习层进行参数共享与特征迁移,学习多视图间的共享嵌入;同时,考虑到邻接矩阵对谱聚类性能的重要影响,CMvSC通过训练孪生网络和设计对比损失来学习成对数据间的近邻关系,以替代传统谱聚类算法中的距离度量;最后,4个数据集上的实验结果证明了CMvSC对多视图谱聚类任务的有效性.

来源：2022年第4期

《软件学报》期刊编辑部

查看软件学报杂志2022年第4期