【论文阅读】通过对比聚类分配的深度多视图聚类

这篇具有很好参考价值的文章主要介绍了【论文阅读】通过对比聚类分配的深度多视图聚类。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

Deep Multiview Clustering by Contrasting Cluster Assignments

原文链接
对于大多数现有的深度MVC方法,探索多视图的不变表示仍然是一个棘手的问题。在本文中,提出了一种跨视图对比学习(CVCL)方法,该方法学习视图不变表示,并通过比较多个视图之间的聚类分配来产生聚类结果。

具体来说,首先在预训练阶段使用深度自编码器提取视图相关特征。然后,提出了一种聚类级CVCL策略,在微调阶段探索多个视图之间一致的语义标签信息。因此,所提出的CVCL方法能够通过这种学习策略产生更多的判别性聚类分配。

与大多数现有的深度MVC方法相比,引入了集群级CVCL策略来跨多个视图捕获一致的语义标签信息。通过比较多个视图之间的聚类分配,所提出的CVCL方法学习了MVC正对之间的视图不变表示。由正对派生的聚类分配合理地对齐了多个视图之间的不变表示。这种对齐灵活地描述了从单个视图获得的一致语义标签,用于度量数据样本之间的内在关系。k维分配概率表示对应视图中每个样本的聚类分配。基于这些视图不变表示,所提出的CVCL方法的对比损失鼓励为正对产生的k维聚类分配相似,并将为负对提供的聚类分配分开。此外,本文还对软集群分配对齐的可实现性提供了理论解释。

【论文阅读】通过对比聚类分配的深度多视图聚类,多视图,论文阅读,聚类,数据挖掘,机器学习,人工智能,python
每个视图包含两个模块,包括特定于视图的自动编码器模块CVCL模块(跨视图对比学习模块)。多层感知器(MLP)由多个线性层组成。视图自编码器模块包括编码部分和解码部分。CVCL模块通过对比多个视图之间的聚类分配来探索一致的语义标签信息

聚类层次上的CVCL

f将N个样本映射为语义特征的函数。在语义特征上叠加两个线性层和一个连续的softmax函数来产生一个聚类分配概率。
【论文阅读】通过对比聚类分配的深度多视图聚类,多视图,论文阅读,聚类,数据挖掘,机器学习,人工智能,python
所有视图的聚类概率矩阵{**H(v)**∈R N×K}nv v=1,这是在前一层的语义特征上产生的。设h (v) i为h (v)中的第i行,设h (v) ij表示实例i在视图m中属于聚类j的概率。实例i的语义标签由h (v) i中概率的最大值决定。

为了增加聚类分配之间的差异,统一的目标分布{**P(v)**∈R N×K}nv v=1是{H(v)}nv v=1的较好替代,其每个元素的计算如下:
【论文阅读】通过对比聚类分配的深度多视图聚类,多视图,论文阅读,聚类,数据挖掘,机器学习,人工智能,python
设p(v)j是p(v)的第j列。p(v)j中的每个元素p(v)ij表示属于聚类j的样本i的一个软聚类分配。因此,p(v)j表示同一语义聚类的一个聚类分配。

聚类j的两个聚类分配p (v1) j和p (v2) j之间的相似性:【论文阅读】通过对比聚类分配的深度多视图聚类,多视图,论文阅读,聚类,数据挖掘,机器学习,人工智能,python
其中v1和v2表示两个不同的视图。

在CVCL模块中,不同视图中实例的集群分配概率应该是相似的,因为这些实例表征相同的样本。此外,如果用多个视图中的实例来描述不同的样本,它们之间是不相关的。因此,当考虑跨nv视图的p (v) j和K个簇时,存在(nv−1)个正簇分配对和nv (K−1)个负簇分配对。**集群内分配的相似性要最大化,集群间分配的相似性要最小化。**同时对样本进行聚类,同时加强聚类分配之间的一致性。p (v1) k和p (v2) k的横视对比损失定义如下:
【论文阅读】通过对比聚类分配的深度多视图聚类,多视图,论文阅读,聚类,数据挖掘,机器学习,人工智能,python
跨多个视图引起的跨视图对比损失:
【论文阅读】通过对比聚类分配的深度多视图聚类,多视图,论文阅读,聚类,数据挖掘,机器学习,人工智能,python
为了防止所有实例都被分配到一个特定的集群,引入一个正则化如下:

【论文阅读】通过对比聚类分配的深度多视图聚类,多视图,论文阅读,聚类,数据挖掘,机器学习,人工智能,python

两阶段训练机制

通过预训练网络进行参数初始化

设计一个预训练网络,该网络由特定视图的编码器模块f (v) e(1≤v≤nv)和对应的解码器模块f (v) d组成
对于多视图,预训练网络在输入和输出之间的重构损失设计为:
【论文阅读】通过对比聚类分配的深度多视图聚类,多视图,论文阅读,聚类,数据挖掘,机器学习,人工智能,python

MVC通过一个微调网络

该方法的总体损失包括三个主要部分:预训练网络的重建损失、交叉视图对比损失和交叉视图一致性损失:【论文阅读】通过对比聚类分配的深度多视图聚类,多视图,论文阅读,聚类,数据挖掘,机器学习,人工智能,python
预测结果表示:
【论文阅读】通过对比聚类分配的深度多视图聚类,多视图,论文阅读,聚类,数据挖掘,机器学习,人工智能,python

在本文中,提出了一种CVCL方法来学习MVC的视图不变表示。提出了一种聚类级的CVCL策略,用于探索多个视图之间具有一致性的语义标签信息。CVCL在两个连续阶段有效地实现了更多的判别聚类分配。对软集群分配对齐的理论分析表明了集群级学习策略在CVCL中的重要性。作者对MVC数据集进行了大量的实验和烧蚀研究,以验证模型的优越性和各组成部分在整体重建损失方面的有效性。文章来源地址https://www.toymoban.com/news/detail-833153.html

到了这里,关于【论文阅读】通过对比聚类分配的深度多视图聚类的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 超图聚类论文阅读1:Kumar算法

    《超图中模块化的新度量:有效聚类的理论见解和启示》 《A New Measure of Modularity in Hypergraphs: Theoretical Insights and Implications for Effective Clustering》 COMPLEX NETWORKS 2020, SCI 3区 具体实现源码见HyperNetX库 工作: 针对超图聚类问题 推广 了 模块度最大化 框架 引入了一个 超图空模型 ,

    2024年02月09日
    浏览(37)
  • 超图聚类论文阅读2:Last-step算法

    《使用超图模块化的社区检测算法》 《Community Detection Algorithm Using Hypergraph Modularity》 COMPLEX NETWORKS 2021, SCI 3区 具体实现源码见HyperNetX库 工作:提出了一种用于超图的社区检测算法。该算法的主要特点是它可以根据一个社区中的顶点与其他社区中的顶点共享超边的频率进行调

    2024年02月09日
    浏览(38)
  • 对比学习论文阅读:CoCLR算法笔记

    标题:Self-supervised Co-training for Video Representation Learning 会议:NIPS2020 论文地址:https://dl.acm.org/doi/abs/10.5555/3495724.3496201 官方代码:https://www.robots.ox.ac.uk/~vgg/research/CoCLR/ 作者单位:牛津大学 本文的研究目标是纯视觉的自监督视频表征学习。我们做出了以下贡献:①我们研究了在

    2024年02月03日
    浏览(59)
  • [论文阅读]MVF——基于 LiDAR 点云的 3D 目标检测的端到端多视图融合

    End-to-End Multi-View Fusion for 3D Object Detection in LiDAR Point Clouds 论文网址:MVF 论文代码: 这篇论文提出了一个端到端的多视角融合(Multi-View Fusion, MVF)算法,用于在激光雷达点云中进行3D目标检测。论文的主要贡献有两个: 提出了动态体素化(Dynamic Voxelization)的概念。相比传统的硬体素

    2024年01月23日
    浏览(43)
  • 论文阅读:通过时空生成卷积网络合成动态模式(重点论文)

    原文链接 github code 介绍视频 视频序列包含丰富的动态模式,例如在时域中表现出平稳性的动态纹理模式,以及在空间或时域中表现出非平稳的动作模式。 我们证明了时空生成卷积网络可用于建模和合成动态模式。 该模型定义了视频序列上的概率分布,对数概率由时空ConvN

    2024年01月19日
    浏览(44)
  • 数据挖掘(6)聚类分析

    无指导的,数据集中类别未知 类的特征: 类不是事先给定的,而是根据数据的 相似性、距离 划分的 聚类的数目和结构都没有事先假定。 挖掘有价值的客户: 找到客户的黄金客户 ATM的安装位置 原则: 组内数据有较高相似度、不同组数据不相似 相似性的度量(统计学角度): Q型

    2024年02月07日
    浏览(51)
  • 论文阅读——基于深度学习智能垃圾分类

    B. Fu, S. Li, J. Wei, Q. Li, Q. Wang and J. Tu, “A Novel Intelligent Garbage Classification System Based on Deep Learning and an Embedded Linux System,” in IEEE Access, vol. 9, pp. 131134-131146, 2021, doi: 10.1109/ACCESS.2021.3114496. 垃圾数量的急剧增加和垃圾中物质的复杂多样性带来了严重的环境污染和资源浪费问题。回收

    2024年02月11日
    浏览(43)
  • 图像融合论文阅读:CoCoNet: 基于多层特征集成的耦合对比学习网络多模态图像融合

    @article{liu2023coconet, title={Coconet: Coupled contrastive learning network with multi-level feature ensemble for multi-modality image fusion}, author={Liu, Jinyuan and Lin, Runjia and Wu, Guanyao and Liu, Risheng and Luo, Zhongxuan and Fan, Xin}, journal={International Journal of Computer Vision}, pages={1–28}, year={2023}, publisher={Springer} } 论文级

    2024年02月04日
    浏览(51)
  • 【论文阅读】23_SIGIR_Disentangled Contrastive Collaborative Filtering(分离对比协同过滤)

    2023—SIGIR 论文地址 code 地址 最近的研究表明,图神经网络(GNNs)普遍用于建模协同过滤(CF)。对于这一研究方向,图对比学习(GCL)通过学习增强的用户和项目表示,在解决监督标签短缺问题方面表现出了强大的性能。虽然其中许多显示了其有效性,但有两个关键问题仍

    2024年02月13日
    浏览(37)
  • 论文阅读-可泛化深度伪造检测的关键

    一、论文信息 论文名称: Learning Features of Intra-Consistency and Inter-Diversity: Keys Toward Generalizable Deepfake Detection 作者团队: Chen H, Lin Y, Li B, et al. (广东省智能信息处理重点实验室、深圳市媒体安全重点实验室和深圳大学人工智能与数字经济广东实验室) 论文网址: https://ieeexpl

    2024年02月04日
    浏览(35)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包