买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：贵州大学

摘要：本发明涉及多视图数据处理技术领域，具体涉及了一种无监督多视图数据的特征提取与聚类方法。包括以下步骤：S100：采集各领域多视图数据作为样本数据，得到多视图数据集；S200：将多视图数据集输入基于孪生对比学习的多视图聚类TCMCTwinContrastiveLearningforMulti‑viewClustering模型，设置模型参数进行训练；S300：模型收敛后,得到多视图数据中的多级目标信息，所述多级目标信息包括自编码器重建级混合低级特征、孪生对比学习实例级一致性信息、簇级辨别私有信息以及在线聚类分配结果；能够以端到端的方式独立地为每个实例进行聚类分配，从而实现大规模的在线聚类。

主权项：1.一种无监督多视图数据的特征提取与聚类方法，其特征在于：包括以下步骤：S100：采集各领域多视图数据作为样本数据，得到多视图数据集；S200：将多视图数据集输入基于孪生对比学习的多视图聚类TCMCTwinContrastiveLearningforMulti-viewClustering模型，设置模型参数进行训练；S300：模型收敛后,得到多视图数据中的多级目标信息，所述多级目标信息包括自编码器重建级混合低级特征、孪生对比学习实例级一致性信息、簇级辨别私有信息以及在线聚类分配结果；所述S200包括以下步骤：S210：多视图自动编码器：利用自动编码器从原始数据中提取并保存全部信息的初级特征；S220：多视图孪生对比学习：通过孪生对比学习MLPMulti-viewTwinContrastiveLearning对初级特征进行过滤，孪生对比学习MLP包括实例级对比头FeatureMLP和多视图簇级对比头LabelMLP，通过多视图实例级对比头FeatureMLP挖掘实例多视图间的公共语义信息和实例间的判别私有信息，通过多视图簇级对比头LabelMLP挖掘簇在多视图间的公共语义信息和簇与簇之间的鉴别私有信息，同时通过训练好的LabelMLP实现在线聚类；S230：逐步选择高置信度预测样本作为伪标签，对模型进行微调；所述S210包括以下步骤：S211：对每一个多视图数据集设置独立的编码器和独立的解码器，其中网络参数为的编码器和网络参数为解码器只针对m个视图数据集数进行压缩重构训练；S212：在第m个视图数据集中的第i各样本数据通过编码器得到维度为L的潜在特征，其中；S213：将潜在特征通过解码器进行重构得到重构数据，其中；S214：第m个视图数据集重构损失为，其中为所有视图的重构损失和作为多视图编码器训练器的损失函数；S215：通过预训练多视图自编码器： ；S216：通过预训练好的多视图自编码器提取初级特征；所述S220包括以下步骤：S221：将初级特征通过多视图实例级对比头（FeatureMLP）计算实例级对比损失；S222：将初级特征通过多视图簇级对比头（LabelMLP）计算簇级对比损失；S233：将孪生对比损失与重构损失进行联合训练，孪生对比学习的损失函数如下公式所示 ；所述S221包括以下步骤：S221-1：通过堆叠的实例级特征多层感知机（FeatureMLP）作为多视图实例级对比头，即，将多视图初级特征通过多视图实例级对比头映射到子空间，得到实例级高级特征，其中N为每一次迭代实例数量，M为每个实例拥有的视图数量，每一个实例高级特征向量能够与剩余的个实例高级特征两两一组，组成个特征对，其中同一实例不同视图组成个正特征对，剩余的个特征对为负特征对；S221-2：通过余弦距离衡量特征在子空间的空间位置： 两个视图之间的实例级对比损失表示如下： 其中是控制对负样本感知程度的实例级温度控制系数，是当时峰值为1的指示函数；S221-3：将所有视图两两之间的实例级对比损失累计求和，其计算的结果作为多视图实例级对比学习的损失函数： ；所述S222包括以下步骤：S222-1：堆叠一个簇级多层感知器（LableMLP）作为多视图簇级对比头，在多视图簇级对比头的最后一层设置Softmax来输出分配概率，即，通过簇级对比头，将多视图初级特征投影到维度与簇数K大小相同的子空间中，获得聚类分配矩阵；S222-2：通过聚类级对比头对每个实例进行聚类分配，聚类分配标签由软分配中的最大元素的列号表示，聚类分配预测如下： ;S222-3：通过余弦距离衡量两个簇级特征相似性，带入矩阵的列： 其中和分别表示的第i列、的第j列；S222-4：将不同视角的相同列的特征设为正，其余相对为负，和两个视图之间的簇级对比损失设置为以下公式： 其中N为每一次迭代实例数量，M为每个实例拥有视图的数量，将其映射到簇级子空间后得到聚类分布矩阵，每一个簇级特征向量能与剩余的MN-1个簇级特征两两一组，形成MN-1个特征对，其中同一数据不同视图件组成M-1个正特征对，剩余的M（N-1）个特征对为负特征对，是控制对负样本感知程度的实例级温度系数，是当是值为1的指示函数；将所有视图两两之间的簇级对比损失累计求和其结果如下所示： 。

全文数据：

权利要求：

百度查询： 贵州大学 一种无监督多视图数据的特征提取与聚类方法