计算机应用

作者：李顺勇, 李师毅, 胥瑞, 赵兴旺

单位：1.山西大学 数学科学学院，太原 030006；2.山西大学 计算机与信息技术学院（大数据学院），太原 030006

关键词：多视图聚类,自注意力,互信息,表示学习,深度学习

基金：国家自然科学基金资助项目(61976128);山西省基础研究计划项目(202303021221054);山西省研究生教育教学改革课题(2022YJJG010)

基于不完整数据的多视图聚类任务已经成为无监督学习领域的研究热点之一。然而大多数基于“浅层”模型的多视图聚类算法通常在面对大规模高维数据时难以提取和刻画视图内的潜在特征结构；同时，堆叠或求平均的多视图信息融合方式忽视了视图之间的差异性，没有充分考虑各视图对构建公共一致表示的不同贡献。针对以上问题，提出一种基于自注意力融合的不完整多视图聚类算法（IMVCSAF）。首先，基于深度自编码器提取各视图的潜在特征，并采用对比学习的方式最大化各视图间的一致性信息；其次，采用自注意力机制对各视图的潜在表示进行重新编码和融合，并全面考虑和挖掘不同视图之间的内在因果性和特征互补性；再次，基于公共一致表示对缺失实例样本的潜在表示进行预测和恢复，从而完整地实现多视图聚类的过程。在Scene-15、LandUse-21、Caltech101-20和Noisy-MNIST数据集上的实验结果表明，IMVCSAF在满足收敛性要求的前提下得到的准确率均高于其他对比算法，而在50%缺失率的Noisy-MNIST数据集上，IMVCSAF的准确率比次优的COMPLETER（inCOMPlete muLti-view clustEring via conTrastivE pRediction）算法提高了6.58个百分点。

来源：2024年第9期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第9期