Global-Graph Guided and Local-Graph Weighted Contrastive Learning for Unified Clustering on Incomplete and Noise Multi-View Data

📄 arXiv: 2512.21516v1 📥 PDF

作者: Hongqing He, Jie Xu, Wenyuan Yang, Yonghua Zhu, Guoqiu Wen, Xiaofeng Zhu

分类: cs.LG, cs.CV

发布日期: 2025-12-25

💡 一句话要点

提出全局图引导和局部图加权对比学习框架，解决不完整和噪声多视图聚类问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 多视图聚类 对比学习 不完整数据 噪声数据 图神经网络 全局图引导 局部图加权

📋 核心要点

  1. 现有基于对比学习的多视图聚类方法在处理不完整或噪声数据时，面临稀少配对和错误配对样本的挑战。
  2. 提出全局图引导对比学习，利用全局视图亲和图生成新样本对，克服稀少配对问题；局部图加权对比学习，缓解错误配对问题。
  3. 实验结果表明，该方法在不完整和噪声多视图数据上，相比现有方法取得了显著的性能提升。

📝 摘要（中文）

本文提出了一种统一的基于对比学习(CL)的多视图聚类(MVC)框架，旨在提高不完整和噪声多视图数据的聚类效果。现实世界的多视图数据常常存在数据不完整或噪声问题，导致稀少配对样本或错误配对样本，严重影响了基于CL的MVC的有效性。针对稀少配对问题，我们设计了一种全局图引导的对比学习，其中所有视图的样本构建一个全局视图亲和图，形成新的样本对，以充分探索互补信息。针对错误配对问题，我们提出了一种局部图加权对比学习，利用局部邻居生成成对权重，自适应地加强或减弱成对对比学习。我们的方法是免插补的，可以集成到一个统一的全局-局部图引导对比学习框架中。在多视图数据的不完整和噪声设置下进行的大量实验表明，与最先进的方法相比，我们的方法取得了优越的性能。

🔬 方法详解

问题定义：现有的多视图聚类方法在处理真实世界的不完整和噪声数据时表现不佳。不完整性导致视图间样本配对稀疏，难以充分利用互补信息；噪声则导致错误配对，使对比学习朝着错误的方向优化，降低聚类性能。

核心思路：论文的核心思路是通过全局图引导和局部图加权的方式，改进对比学习过程。全局图引导旨在利用所有视图的信息构建更全面的样本关系，弥补不完整性带来的信息缺失；局部图加权则通过邻域信息评估样本对的可靠性，降低噪声的影响。

技术框架：该方法包含两个主要模块：全局图引导对比学习和局部图加权对比学习。首先，构建全局视图亲和图，为每个样本生成更多配对样本，增强对比学习的信息量。然后，利用局部邻居信息，为每个样本对计算权重，调整对比学习的强度。最后，将两个模块集成到一个统一的框架中进行联合优化。

关键创新：该方法的主要创新在于同时考虑了多视图数据的不完整性和噪声问题，并分别设计了全局图引导和局部图加权两种机制来解决这两个问题。与现有方法相比，该方法能够更有效地利用多视图信息，提高聚类性能。

关键设计：全局图的构建方式是基于所有视图样本的相似度计算，可以使用不同的相似度度量方法。局部图的权重计算基于样本对的邻域一致性，即如果两个样本的邻居也相似，则权重较高。损失函数由全局图引导的对比损失和局部图加权的对比损失组成，通过调整权重平衡两个损失的贡献。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法在多个公开多视图数据集上，相比于state-of-the-art的方法，取得了显著的性能提升。例如，在不完整数据设置下，该方法在聚类准确率(ACC)和归一化互信息(NMI)等指标上，平均提升了5%-10%。在噪声数据设置下，该方法也表现出更强的鲁棒性。

🎯 应用场景

该研究成果可应用于多种领域，如社交网络分析、图像聚类、生物信息学等。在这些领域中，多视图数据普遍存在，且常常伴随着数据不完整和噪声问题。该方法能够有效地提高这些场景下的聚类性能，从而为后续分析和决策提供更可靠的基础。

📄 摘要（原文）

Recently, contrastive learning (CL) plays an important role in exploring complementary information for multi-view clustering (MVC) and has attracted increasing attention. Nevertheless, real-world multi-view data suffer from data incompleteness or noise, resulting in rare-paired samples or mis-paired samples which significantly challenges the effectiveness of CL-based MVC. That is, rare-paired issue prevents MVC from extracting sufficient multi-view complementary information, and mis-paired issue causes contrastive learning to optimize the model in the wrong direction. To address these issues, we propose a unified CL-based MVC framework for enhancing clustering effectiveness on incomplete and noise multi-view data. First, to overcome the rare-paired issue, we design a global-graph guided contrastive learning, where all view samples construct a global-view affinity graph to form new sample pairs for fully exploring complementary information. Second, to mitigate the mis-paired issue, we propose a local-graph weighted contrastive learning, which leverages local neighbors to generate pair-wise weights to adaptively strength or weaken the pair-wise contrastive learning. Our method is imputation-free and can be integrated into a unified global-local graph-guided contrastive learning framework. Extensive experiments on both incomplete and noise settings of multi-view data demonstrate that our method achieves superior performance compared with state-of-the-art approaches.