论文"CMvSC: 知识迁移下的深度一致性多视图谱聚类网络"中的

张熠玲,杨燕,周威,欧阳小草,胡节.CMvSC:知识迁移下的深度一致性多视图谱聚类网络[J].软件学报,2022,33(04):1373-1389.DOI:10.13328/j.cnki.jos.006474.

本论文是发表在软件学报上的中文论文，因此这里不对论文整体内容进行赘述，只针对对比损失的设计进行记录。

概述

通过引入深度学习框架提升谱聚类的泛化能力与可扩展能力, 同时, 结合多视图学习挖掘数据样本的多样性特征, 提出一种知识迁移下的深度一致性多视图谱聚类网络(CMvSC).

引入思想

考虑到邻接矩阵对谱聚类性能的影响，CMvSC通过训练孪生网络和设计对比损失来学习成对样本之间的近邻关系，以替代传统谱聚类算法中的距离度量。

具体做法

• 损失设计 基于对比损失的近邻学习
• 正负例样本构造 构造思路
  

  构造好所有样本对应的正负样本集合后, 结合对比损失来构造具有相同网络分支的孪生网络进行近邻学习, 将样本数据进行映射, 最小化对比损失（3）

• 生成邻接矩阵
  采用高斯核函数来计算最终的邻接矩阵： 其中是高斯核函数中的带宽参数，取值通常大于0。高斯核函数的引入, 有利于避免线性不可分的问题。

使得近邻的过程变成了一个可学习的过程，最终引入高斯核函数来确定近邻关系。和目前组内使用的近邻矩阵的构造方式类似。这里使用到的利用-近邻方式构造正负例的方式并对其利用的方式和之前看过的论文有异曲同工之妙。