[發明專利]基于共有差異學習的深度多視圖聚類方法、系統及設備

在審

• 申請號: 202210264054.3
• 申請日: 2022-03-17
• 公開（公告）號: CN114742132A
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 李曉翠;張新玉;史慶宇
• 申請（專利權）人: 湖南工商大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06V10/762;G06V10/764;G06V10/80;G06V10/82
• 代理公司: 長沙軒榮專利代理有限公司 43235
• 代理人: 丁耀鵬

本公開實施例中提供了一種基于共有差異學習的深度多視圖聚類方法、系統及設備，屬于數據處理技術領域，具體包括：建立共有差異深度多視圖特征學習網絡；將多視圖數據的每個視圖分別連接共有信息提取網絡和差異信息提取網絡；將多視圖數據的全部視圖的共有信息提取網絡輸入共有信息學習模塊進行訓練直至收斂；將多視圖數據的全部視圖的共有信息提取網絡和差異信息提取網絡輸入差異信息學習模塊，通過正交約束得到多視圖數據的每個視圖的互補性特征；將一致性特征和全部互補性特征串聯形成多視圖融合特征；將多視圖融合特征輸入基于KL散度的聚類模型進行聚類。通過本公開的方案，提高了多視圖數據初始特嚴重不均衡的情況下的聚類效果和適應性。

技術領域

本公開實施例涉及數據處理技術領域，尤其涉及一種基于共有差異學習的深度多視圖聚類方法、系統及設備。

背景技術

目前，聚類根本思想是根據數據集中樣本間的相似性將其劃分成若干個類簇，同類間樣本間相似度要小于異類間的樣本相似度。傳統的聚類算法主要是針對單視圖數據，數據只有一組特征。當數據具有多組特征時，稱為多視圖數據。多視圖數據不僅包含更多豐富且有用的信息，不同視圖之間也會帶來冗余信息。而目前大多數多視圖聚類主要關注于最大化多視圖的共有信息，忽視了各個視圖上的差異性信息，即沒有充分挖掘出多視圖數據的互補信息；在多視圖數據初始特嚴重不均衡的情況下，采用現有的方法可能會產生“木桶效應”，即所有視圖的共有信息會朝著初始特征最差的視圖靠攏，高質量視圖的特征沒有被充分利用，這也失去了數據從多視圖描述的意義。

可見，亟需一種聚類效果和適應性高的基于共有差異學習的深度多視圖聚類方法。

發明內容

有鑒于此，本公開實施例提供一種基于共有差異學習的深度多視圖聚類方法、系統及設備，至少部分解決現有技術中存在聚類效果和利用高質量視圖特征的適應性較差的問題。

第一方面，本公開實施例提供了一種基于共有差異學習的深度多視圖聚類方法，包括：

步驟1，建立共有差異深度多視圖特征學習網絡，其中，所述共有差異深度多視圖特征學習網絡包括深度特征提取模塊、共有信息學習模塊和差異信息學習模塊，所述深度特征提取模塊包括共有信息提取網絡和差異信息提取網絡；

步驟2，獲取多視圖數據，并將所述多視圖數據的每個視圖分別連接所述共有信息提取網絡和所述差異信息提取網絡；

步驟3，將所述多視圖數據的全部視圖的共有信息提取網絡輸入共有信息學習模塊進行訓練直至收斂，得到所述多視圖數據的一致性特征；

步驟4，將所述多視圖數據的全部視圖的共有信息提取網絡和差異信息提取網絡輸入差異信息學習模塊，通過正交約束得到所述多視圖數據的每個視圖的互補性特征；

步驟5，將所述一致性特征和全部所述互補性特征串聯形成多視圖融合特征；

步驟6，將所述多視圖融合特征輸入基于KL散度的聚類模型進行聚類。

根據本公開實施例的一種具體實現方式，所述共有信息學習模塊包括生成對抗網絡。

根據本公開實施例的一種具體實現方式，所述步驟3具體包括：

步驟3.1，所述共有信息學習模塊將每個視圖上的共有信息提取網絡作為一個生成器G，最終得到M個生成器；

步驟3.2，將M個生成器生成的特征數據，傳入到M分類的鑒別器D中；

步驟3.3，重復步驟3.1和步驟3.2，直到鑒別器無法區分特征數據對應的視圖，得到所述一致性特征。

根據本公開實施例的一種具體實現方式，所述步驟5的串聯方式為其中，h_i表示第m個視圖中的第i個樣本的多視圖融合特征，和分別表示在視圖m上提取到的共有信息和差異信息。