自监督信息融合聚类网络

跨数据集精度+4.75%

用对比学习与非线性格回归联合补全缺失视图，同时整合局部与全局结构，让不完全多视图聚类在缺失数据下仍保持稳定性能。

Yilong, Cai · Shu, Qianyu · 周正春 · 孟华

Information Fusion 2025

参数信息

平均精度提升

4.75 %

技术优势

缺失也能聚类

通过核回归非线性估计缺失信息，结合对比学习与全局结构，无需完整数据即可获得高质量聚类结果。

全局结构把握

构建邻接矩阵捕捉整体流形结构，并引入谱损失拉近同类表示，使聚类边界更清晰。

局部补全精细

利用跨视图度量关系，通过核回归以非线性方式补全缺失样本，提升数据完整性。

应用场景

• 多视图学习：直接用于视图缺失的多源数据聚类，无需预先完整数据。
• 无监督特征融合：自监督融合全局与局部信息，无需标签即可获得判别表示。
• 缺失数据补全：在聚类过程中同步补全缺失样本，免除单独预处理步骤。
• 对比聚类：通过对比学习构建正负对，增强聚类判别能力。