融合局部和全局特征的深度多视图聚类网络

作     者：李顺勇 李嘉茗 曹付元 郑孟蛟 

作者机构：山西大学数学与统计学院 复杂系统与数据科学教育部重点实验室(山西大学) 山西大学计算机与信息技术学院 计算智能与中文信息处理教育部重点实验室(山西大学) 

出 版 物：《计算机科学与探索》 (Journal of Frontiers of Computer Science and Technology)

年 卷 期：2025年

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 

基　　金：国家自然科学基金项目(62376145 82274360) 山西省基础研究计划资助项目(202303021221054) 山西省回国留学人员科研资助项目(2024-002) 

主　　题：多视图聚类 卷积神经网络 Transformer 特征融合 

摘      要：多视图聚类是当前数据分析领域的一个重要研究方向，旨在通过整合来自不同视角的数据，提升聚类精度。然而，传统的多视图聚类方法虽然在一定程度上提高了聚类效果，但往往忽略了视图间局部与全局特征的交互与融合。此外，尽管近年提出的多视图深度聚类方法，通过深度神经网络或对比学习增强了表征能力，但大多只关注局部或全局特征，未能在同一框架下对这两类特征进行综合处理。针对这些不足，提出了一种融合卷积神经网络与Transformer的深度多视图聚类模型(Deep Multi-View Clustering Network Integrating Local and Global Features，DMVCN-ILGF)，该模型设计了并行的卷积分支和Transformer分支，分别用于提取局部特征和全局特征。为了实现特征的有效融合，引入了特征交互机制(Feature Interaction Mechanism，FIM)和特征融合模块(Feature Fusion Module，FFM)，通过充分整合各视图的特征信息，以增强不同特征的交互和融合，最终提升聚类性能。进一步地，还设计了实例级和类别级对比损失，分别计算各视图的局部与全局特征之间的相似性，从而优化模型的表征能力和聚类效果。实验结果表明，提出的DMVCN-ILGF模型在多个多视图数据集上均取得了显著优于现有方法的聚类性能。