แนวคิดหลัก
Ein neuartiges semantikgeführtes Multi-View-Clustering-Framework wird vorgeschlagen, das die Leistungsfähigkeit von Clustering-Algorithmen verbessert.
บทคัดย่อ
Das Paper stellt ein Framework namens Deep Contrastive Multi-view Clustering under Semantic feature guidance (DCMCS) vor, das sich auf die Verbesserung von Clustering-Algorithmen durch semantische Merkmalsführung konzentriert. Es adressiert Probleme wie falsch negative Paare und die Interferenz von Blick-privaten Informationen. Das Framework kombiniert Instanz- und Cluster-Level kontrastives Lernen, um die Leistungsfähigkeit zu steigern. Experimentelle Ergebnisse zeigen, dass DCMCS die state-of-the-art Methoden übertrifft.
Struktur:
- Einleitung
- Verwandte Arbeiten
- Methode
- Ansatz zur Merkmalsfusion
- Kontrastives Lernen auf Cluster-Ebene
- Semantikgeführtes kontrastives Lernen auf Instanzebene
- Experimente
- Datensätze und Vergleichsmethoden
- Evaluationsmetriken
- Implementierungsdetails
- Schlussfolgerung und zukünftige Arbeit
สถิติ
Contrastive learning hat vielversprechende Leistung in Multi-View-Clustering gezeigt.
DCMCS übertrifft state-of-the-art Methoden auf öffentlichen Datensätzen.
คำพูด
"Ein DCMCS-Framework wird vorgeschlagen, um den Einfluss falsch negativer Paare im instanzbasierten kontrastiven Lernen zu verringern."
"Experimentelle Ergebnisse zeigen, dass DCMCS die state-of-the-art Methoden übertrifft."