[论文解读] Unpaired Multi-View Graph Clustering with Cross-View Structure Matching

Yi Wen, Siwei Wang+5 more|arXiv (Cornell University)|Jul 7, 2023

Advanced Graph Neural Networks被引用 4

一句话总结

该论文提出UPMGC-SM，一种针对未配对多视图数据的无参图聚类框架，通过跨视图结构匹配来优化样本对应关系，无需预先对齐。通过使用共享空间和投影固定点优化，该方法在完全和部分未配对数据集上均实现了鲁棒聚类，相较于现有方法在对齐准确率和聚类性能方面表现更优，且超参数调优极少。

ABSTRACT

Multi-view clustering (MVC), which effectively fuses information from multiple views for better performance, has received increasing attention. Most existing MVC methods assume that multi-view data are fully paired, which means that the mappings of all corresponding samples between views are pre-defined or given in advance. However, the data correspondence is often incomplete in real-world applications due to data corruption or sensor differences, referred as the data-unpaired problem (DUP) in multi-view literature. Although several attempts have been made to address the DUP issue, they suffer from the following drawbacks: 1) Most methods focus on the feature representation while ignoring the structural information of multi-view data, which is essential for clustering tasks; 2) Existing methods for partially unpaired problems rely on pre-given cross-view alignment information, resulting in their inability to handle fully unpaired problems; 3) Their inevitable parameters degrade the efficiency and applicability of the models. To tackle these issues, we propose a novel parameter-free graph clustering framework termed Unpaired Multi-view Graph Clustering framework with Cross-View Structure Matching (UPMGC-SM). Specifically, unlike the existing methods, UPMGC-SM effectively utilizes the structural information from each view to refine cross-view correspondences. Besides, our UPMGC-SM is a unified framework for both the fully and partially unpaired multi-view graph clustering. Moreover, existing graph clustering methods can adopt our UPMGC-SM to enhance their ability for unpaired scenarios. Extensive experiments demonstrate the effectiveness and generalization of our proposed framework for both paired and unpaired datasets.

研究动机与目标

• 解决多视图聚类中的数据未配对问题（DUP），即视图间样本对应关系缺失或不完整。
• 克服现有方法忽略结构信息、依赖预定义对齐或超参数的局限性。
• 开发一种统一的无参框架，适用于完全和部分未配对场景。
• 通过在共享度量空间中利用视图间的结构一致性，提升聚类性能。
• 实现与任意现有图聚类方法的兼容性，提升其在未配对设置下的鲁棒性。

提出的方法

• 使用灵活的图聚类算法为每个视图构建独立图，以保留局部和全局结构。
• 建立共享空间，对齐原本处于不同度量空间的跨视图数据，实现视间比较。
• 应用带有双随机投影的投影固定点方法，基于结构相似性优化跨视图对应关系。
• 采用基于重构损失的视图选择策略（RCM），识别对对齐最具有信息量的视图。
• 利用优化后的对应关系执行图融合，生成用于聚类的一致性图。
• 基于重构损失设计视图加权策略，动态分配不同视图的重要性。

实验结果

研究问题

• RQ1 无参框架能否在不依赖预定义对齐的情况下，有效处理完全和部分未配对的多视图聚类？
• RQ2 在缺乏配对数据的情况下，如何通过各视图的结构信息提升跨视图对应学习？
• RQ3 视图选择与加权策略对未配对设置下聚类性能的影响如何？
• RQ4 结构匹配相较于仅基于特征的对齐，在未配对多视图聚类中优势有多大？
• RQ5 所提出的优化框架在不同数据集和未配对比例下，其稳定性和收敛性如何？

主要发现

• UPMGC-SM实现了高跨视图对齐准确率，3Sources数据集上MACC@10超过80%，且在50次迭代内保持稳定。
• 该框架在配对与未配对数据集上均表现出卓越的聚类性能，在多数基准测试中优于最先进方法。
• 目标函数单调递减并在50次迭代内收敛，表明优化过程稳定。
• 基于最小重构损失的视图选择策略（RCM）在九个基准数据集上均持续提升性能。
• 学习到的视图系数非稀疏且在不同视图间有所差异，证实了互补信息的有效整合。
• 视图加权策略在大多数数据集上显著提升聚类结果，其他数据集上表现相当，证明其鲁棒性与适应性。