基于对比知识重放的持续深度多视图聚类方法研究

本文提出了一种创新的持续深度多视图聚类框架CKR-MVC，通过对比知识重放技术有效解决了动态环境中新类别不断出现时的灾难性遗忘问题。该方法集成了特征级联合生成器和视图级自监督蒸馏模块，在不访问历史数据的前提下实现了跨任务知识保持与多视图信息协同利用，为复杂场景下的持续无监督学习提供了新范式。

　　

章节概览

相关工作

本节系统回顾了多视图聚类（MVC）和持续学习领域的关键进展，分析了MVC中传统方法和深度学习方法的发展脉络，同时探讨了持续学习中缓解灾难性遗忘的主要策略。我们特别强调了这两个领域交叉研究中尚未充分探索的方向，为任务驱动的持续多视图聚类奠定了理论基础。

预备知识

本节通过两大支柱搭建多视图表示学习与持续适应的桥梁：一是融合自编码器重建和对比特征对齐的深度多视图聚类（DMVC）框架，二是在内存约束下实现持续知识积累的持续学习优化公式。

方法论

我们提出了一种基于回放的对比MVC方法，以解决上述持续学习场景中的知识迁移和灾难性遗忘挑战。该方法称为"基于对比知识重放的持续深度多视图聚类"（CKR-MVC），包含两个关键组件。第一个组件涉及将特征提取器用作生成式回放器。虽然其他持续学习方法通常将特征提取器和生成组件分离，但我们的方法创新性地将二者合一。

实验

此外，为更好评估复杂多变真实数据下任务增长对持续深度多视图聚类（CDMVC）的影响，我们采用类似指标框架，引入六项新指标来全面评估CDMVC效果。这些指标旨在整体捕捉增量任务中的性能保持和灾难性遗忘情况：平均准确率（A_ACC）和ACC平均遗忘率（F_ACC）量化分类一致性和性能衰减，而平均归一化指标则从多维度衡量模型适应性。

结论

本文提出了一种基于生成式回放的新方法CKR-MVC。该方法利用生成模型回放既往任务数据，模拟新旧任务间的数据分布偏移。回放数据与当前任务的新视图特征相融合，有效捕获跨视图的一致性和互补性。最终利用融合后的多视图特征进行持续聚类，使模型能够从动态数据流中不断学习进化。