基于对比学习的多视角聚类方法研究综述.docVIP

基于对比学习的多视角聚类方法研究综述

一、对比学习与多视角聚类的核心基础

对比学习作为自监督学习的核心范式之一，其本质是通过构造正负样本对，让模型在特征空间中拉近同类别样本距离、推远不同类别样本距离，无需人工标注即可学习到具有判别性的特征表示。传统对比学习多聚焦单视角数据，通过数据增强生成同一样本的不同视图作为正样本，其他样本作为负样本，典型框架如SimCLR、MoCo等已在图像分类、语义分割等任务中取得显著效果。而多视角聚类旨在利用同一对象的多个异质数据源（如文本描述、图像特征、音频信号，或同一数据集的不同特征子集）挖掘数据内在结构，将相似样本划分到同一簇中，解决单视角数据信息不完整导致的聚类性能下降问题。

二者的天然耦合性为聚类任务带来了新的突破方向：多视角数据本身天然存在“同一对象不同视角”的正样本对，无需额外数据增强即可为对比学习提供高质量监督信号；而对比学习的特征判别性学习能力，又能有效解决多视角数据间的异质性鸿沟，实现跨视角语义一致性对齐。相较于传统多视角聚类依赖核方法、子空间学习或图正则化的思路，对比学习驱动的方法无需预先假设数据分布，也无需手动设计跨视角相似度度量准则，在高维稀疏、模态差异大的复杂场景下具有更强的适应性。

二、基于对比学习的多视角聚类主流技术框架

（一）跨视角对比学习范式

跨视角对比是当前多视角聚类最主流的实现思路，核心是将同一对象的不同视角互为正样