计算机科学与探索

作者：李顺勇, 李嘉茗, 曹付元, 郑孟蛟

单位：1. 山西大学 数学与统计学院，太原 0300062. 复杂系统与数据科学教育部重点实验室（山西大学），太原 0300063. 山西大学 计算机与信息技术学院，太原 0300064. 计算智能与中文信息处理教育部重点实验室（山西大学），太原 030006

关键词：多视图聚类,卷积神经网络,Transformer,特征融合

基金：国家自然科学基金（62376145，82274360）；山西省基础研究计划（202303021221054）；山西省回国留学人员科研资助项目（2024-002）。

多视图聚类是当前数据分析领域的一个重要研究方向，旨在通过整合来自不同视角的数据，提升聚类精度。然而，传统的多视图聚类方法虽然在一定程度上提高了聚类效果，但往往忽略了视图间局部与全局特征的交互与融合。此外，尽管近年提出的多视图深度聚类方法，通过深度神经网络或对比学习增强了表征能力，但大多只关注局部或全局特征，未能在同一框架下对这两类特征进行综合处理。针对这些不足，提出了一种融合卷积神经网络与Transformer的深度多视图聚类模型（DMVCN-ILGF）。该模型设计了并行的卷积分支和Transformer分支，分别用于提取局部特征和全局特征。为了实现特征的有效融合，引入了特征交互机制（FIM）和特征融合模块（FFM），通过充分整合各视图的特征信息，以增强不同特征的交互和融合，最终提升聚类性能。进一步地，还设计了实例级和类别级对比损失，分别计算各视图的局部与全局特征之间的相似性，从而优化模型的表征能力和聚类效果。实验结果表明，提出的DMVCN-ILGF模型在多个多视图数据集上均取得了显著优于现有方法的聚类性能。

来源：2025年第8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2025年第8期