【论文阅读】深度多视图聚类的自监督判别特征学习

Self-Supervised Discriminative Feature Learning for Deep Multi-View Clustering

文章链接
聚类结构不明确的某些视图所带来的负面影响，导致多视图聚类性能较差，所以本文提出SDMVC。

深度编码器用来独立的学习每个视图；为了利用互补信息，将所有视图的嵌入特征串联起来形成全局特征，可以克服某些视图聚类结构不清晰的负面影响。以自监督的方式获得伪标签，建立统一的目标分布，进行多视图判别特征学习。

在此过程中，可以挖掘全局判别信息来监督所有视图，从而学习到更多的判别特征，进而用于更新目标分布。此外，这种统一的目标分布可以使SDMVC学习一致的聚类分配，在保持多视图特征多样性的同时，实现了多视图聚类的一致性

Fig. 1a 不同视图特征的判别程度不同（判别度越高的特征越有利于聚类）

Fig. 1b 特征拼接时，判别性高的聚类结构在划分全局特征空间中起主要作用，可以产生高置信度的伪标签，克服聚类结构不清晰带来的负面影响

Fig. 1c and 1d 伪标签可以引导所有视图学习更多的判别特征，从而产生更清晰的聚类结构和更准确的伪标签