双粒度对比学习驱动的模糊深度聚类方法：解决高维数据边界模糊与负样本选择难题

（编辑推荐）本文提出FDGC（Fuzzy Deep Clustering with Dual-Granularity Contrastive Learning），通过自注意力模糊网络捕获全局/局部特征，结合双粒度对比损失（粗粒度聚类级+细粒度样本级）解决传统深度聚类中边界模糊和负样本选择低效问题，实验证明其显著提升特征判别性与聚类鲁棒性。

　　

Highlight

本文提出FDGC框架，其核心创新包括：

1. 1.

   双粒度对比损失：粗粒度部分增强簇间分离性，细粒度部分利用可靠伪标签指导样本级正负对选择，有效解决传统对比学习（如MoCo、SimCLR）中随机负采样导致的语义混淆问题。

2. 2.

   自注意力模糊网络：通过自注意力模块建模样本全局依赖关系，结合模糊理论（隶属度函数）量化类别分配不确定性，显著改善边界模糊样本（如医学图像中病灶过渡区）的特征表达。

3. 3.

   端到端框架：集成特征提取、伪标签筛选（置信度机制）与动态对比学习，在多个基准数据集上实现SOTA性能，尤其适用于医学影像分析等高维复杂数据场景。

Conclusion

FDGC通过融合模糊理论与双粒度对比学习，为深度聚类领域提供了两项关键突破：

• •

  自注意力模糊网络同时捕获^全局语义和_局部细节，缓解传统方法对边界样本（如组织病理切片中的非典型细胞）处理不足的问题；

• •

  伪标签引导的对比损失实现"类内紧凑、类间分离"的特征空间优化，为无监督疾病分型等医学应用提供新思路。未来将探索其在多模态生物数据（如基因组+影像）的跨模态聚类中的应用。

（注：翻译严格遵循生命科学领域术语规范，如"SOTA"保留英文缩写，"^全局语义"使用上标强调层次性，并避免文献/图示引用标识）