计算机科学与探索

作者：温珍平, 孙颖慧, 李杏峰, 孙权森

单位：1. 南京理工大学 计算机科学与工程学院，南京 2100942. 东南大学 计算机科学与工程学院，南京 210096

关键词：多视图聚类,低秩注意力,对比学习,深度聚类,跨视图对齐

基金：国家自然科学基金（62372235，62406069）；中国博士后科学基金（2024M750425）。

多视图聚类（MVC）作为无监督学习的一个关键研究方向，在处理大规模数据时，结合深度学习可以显示出其独特的优势。然而，三个关键挑战仍未得到解决：（1）如何有效地从海量数据中提取判别特征，同时减少过多的训练开销；（2）如何协调视图之间的异构特征表示；（3）如何保持多种模态之间的语义一致性。为了应对这些挑战，提出了一种基于线性注意力与簇对齐的框架（LRACA）。开发了一种标签驱动的锚点采样策略，其中类别感知K-means算法选择交叉视图对齐的锚点来指导训练方向的确定。为特征预训练设计了特定于视图的自编码器，并引入了一种动态低秩注意力机制，将键/值矩阵投影到线性子空间中，将注意力操作的计算复杂度从[O(N2)]降低到了[O(N)]，同时显著增强特征区分性，并更新伪标签。提出了一种集群级对比学习范式，以聚类伪标签为纽带强化跨视图语义一致性，稳定和巩固了整个框架的聚类表现。对六个基准数据集的广泛实验表明，LRACA在聚类准确性、纯度和归一化互信息方面优于八个最先进的MVC基线，验证了其有效性和效率。

来源：2026年第4期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2026年第4期