申请/专利权人：河北工业大学

申请日：2024-01-29

公开（公告）日：2024-04-26

公开（公告）号：CN117934889A

主分类号：G06V10/762

分类号：G06V10/762;G06V10/80;G06N3/045;G06N3/0475;G06N3/094;G06N3/0985;G06N3/0464;G06N3/084

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明公开了一种基于双数据增强的对比多视图深度融合聚类算法，该方法对数据进行多视图的结构增强和特征增强，通过图对比学习编码器提取图结构信息和节点信息，学习数据的共性信息和个性信息；设计双尺度自注意力机制，在节点级关注不同节点的重要程度，在整体图上，提升图表示的稳定性，促进了多视图一致性信息的有效提取；通过图神经网络更加深入的捕获各个视图的个性信息，在进行视图间的深入融合，再在节点和视图上使用自注意力机制，捕获重要视图和重要节点；最后，应用双重自监督模块联结了双数据增强的图对比编码器模块以及多视图卷积融合模块，将二者的表示联合优化，共同提升聚类结果。

主权项：1.一种基于双数据增强的对比多视图深度融合聚类方法，其特征在于：该方法包括如下步骤：步骤一：从数据集中获取总体增强图和增强后的特征向量；步骤二：应用步骤一得到的总体增强图和增强后的特征向量进行图学习编码，具体来说，对总体增强图和增强后的特征向量子采样后分批次输入对比编码器，得到节点表示和图表示，再经过双尺度自注意力机制得到相应的和，输送至一个双线性判别器学习多视图的一致性信息表达，最大化局部和全局的互信息，学习图表示，优化函数如下： ； ；梯度下降法更新图对比学习编码器中的参数，是原图经过图自注意力机制后的图表示，是增强图经过图自注意力机制后的图表示，是子采样的图数，是子采样的节点数，、代表不同视图的节点、节点，表示互信息，为原始视图邻接矩阵，为重构的第m个视图的邻接矩阵；步骤三：对节点特征进行低通滤波，滤除不需要的高频噪声，提高学习到的图特征的质量，获得平滑信号；步骤四：为每个视图设计个性化的图卷积网络，即在图卷积网络中，输入每个视图各自的结构信息和经过过滤的共享节点特征，不同视图结构会过滤出对应视图关系下独特的自身表示；步骤五：设计多视图融合自注意力机制：视图节点自注意力机制，视图自注意力机制，得到视图内部的重要节点和不同视图的重要性；步骤六：应用步骤四中各个视图的自身表示和步骤五中得到的权重进行深度融合，完成视图间的交叉融合，得到融合表达，融合表达与完整视图结合，得到富含个性化信息的视图综合表达；步骤七：使用双重自监督模块将联合优化和，进行端到端的聚类训练：应用步骤二中得到的，通过K-means聚类后得到聚类结果，并根据分布计算聚类分布；再将分布提纯至二次，得到优化分布；应用从步骤五中得到目标分布；最后使用散度优化目标分布和聚类分布，二者更接近二次分布，聚类分布与P的KL散度计算，目标分布的计算方法和与的散度计算，使用联合优化的方式更新整个算法，优化最终的聚类结果，故基于双数据增强的对比多视图深度融合聚类算法的损失函数： ； 为平衡对比损失与重构损失的参数，和为控制嵌入空间扭曲程度的系数。

全文数据：

权利要求：

百度查询： 河北工业大学 一种基于双数据增强的对比多视图深度融合聚类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD