摘要
深度多视角聚类在实际应用中取得了显著进展，但仍然容易受到复杂噪声的影响。现有的鲁棒方法大多依赖于简化的二元假设，将数据视为完全干净或完全损坏。这忽视了异构观察噪声的普遍存在，其中污染强度在数据中持续变化。
为了解决这一问题，我们提出了一种新颖的框架，称为质量感知鲁棒多视角聚类（QARMVC）。具体而言，QARMVC采用信息瓶颈机制提取内在语义以进行视图重建。基于噪声破坏语义完整性并阻碍重建的洞察，我们利用重建差异精确量化细粒度的污染强度并推导实例级质量评分。
这些评分被整合到分层学习策略中：在特征层面，设计了质量加权对比目标，以自适应地抑制噪声传播；在融合层面，构建高质量的全局共识，通过质量加权聚合，随后用于通过最大化互信息来对齐和修正局部视图。
在五个基准数据集上的广泛实验表明，QARMVC始终优于最先进的基线，特别是在异构噪声强度的场景中。
博主点评： QARMVC通过引入质量评分和层次学习策略，有效提升了多视角聚类在实际应用中的鲁棒性，尤其是在处理复杂噪声时展现出显著优势，值得深入研究和应用。