计算机辅助设计与图形学学报

作者：许俊鹏, 孟敏, 武继刚

关键词：多视图聚类, 深度学习, 多视图融合, 表示学习

多视图聚类通过以无监督的方式探索多视图的语义信息而得到广泛的关注. 针对现有的方法忽略了表示的多样性学习和视图之间冗余信息等方面的缺陷, 提出一种基于冗余消除的深度多视图聚类增强融合网络 REMVC.首先引入特征聚合模块, 学习样本之间的全局结构关系用于生成一致的表示; 其次引入冗余消除模块减少潜在空间特征之间的信息相关性, 提高了嵌入表示的辨别能力; 最后引入公共表示的正则化约束模块, 通过最大化公共表示每个维度上的方差并最小化不同维度之间的协方差, 探索多视图实例特征的互补信息. 所提网络联合优化了表示学习、冗余消除和正则化约束模块, 以提高聚类性能. 在 7 个广泛使用的数据集上进行实验的结果表明, REMVC 在准确度、归一化互信息和纯度上优于参与对比的 7 种多视图聚类方法.

来源：2025年第6期

《计算机辅助设计与图形学学报》期刊编辑部

查看计算机辅助设计与图形学学报杂志2025年第6期