《IEEE Access》：Fuzzy Clustering Means Integrated Multi-Level Learning for Contrastive Multi-View Clustering
编辑推荐：
本文针对多视图聚类任务中，传统硬标签伪标签生成技术忽视数据类别边界模糊性，导致视图差异和流形盲点等问题，提出了一种集成模糊C均值（FCM）聚类的新型多视图特征学习框架FCM-MFL-MVC。该研究通过FCM生成概率性伪标签，并设计动态学习率调度器和平衡双目标损失，在多个高维数据集上验证了其在聚类准确性和模型鲁棒性方面的显著优越性，为处理复杂、不确定的多模态数据聚类提供了新思路。
在当今数据爆炸的时代，我们常常能获得关于同一组对象的多种不同描述，例如一张人脸图片可以同时有不同光线、角度的照片，一篇论文有标题、摘要、正文和引用图，一件商品有图片、视频、文字评价等多维度信息。这些不同的描述维度被称为“视图”，如何有效地融合这些多源信息，从中挖掘出潜在的模式和规律，是多视图学习（Multi-View Learning）领域的核心任务之一。多视图聚类（Multi-View Clustering, MVC）作为其中一个关键分支，旨在利用来自不同视图的互补信息，将数据点自动分组，从而发现其内在的类别结构，其效果通常比仅依赖单一视图的方法更准确、更稳健。
然而，通往更优聚类效果的道路并非一帆风顺。传统多视图聚类方法面临两大“拦路虎”：一是目标冲突，即不同视图的学习目标可能不一致，互相“打架”；二是私有信息干扰，即每个视图独有的、与聚类无关的噪声信息会干扰对共享公共信息的挖掘。近年来，研究者们提出了多级特征解耦和免融合机制等新思路来应对这些挑战，取得了一定进展。但一个更深层次、更棘手的问题，在从对比学习（Contrastive Learning）阶段转向模型微调（Fine-tuning）阶段时暴露出来：现有方法通常依赖于“硬标签”（Hard Labels）来生成伪标签（Pseudo-Labels）。简单来说，就是非此即彼地给每个数据点指定一个确定的类别。这种“刚性”的做法，忽视了现实世界中数据类别边界天然的、模糊不清的特性。就像区分一片晚霞的橙色和红色，其边界往往是渐变的。这种忽视直接导致了两个具体问题：“视图差异” 和 “流形盲点” 。前者指不同视图的语义无法有效对齐，各说各话；后者指模型无法捕捉数据背后复杂的非线性结构。这些问题使得模型在处理高维、复杂的真实数据时，性能大打折扣，甚至可能传播错误的标签信息，导致聚类结果“雪崩”。
为了克服这些局限，一项发表于《IEEE Access》期刊的研究提出了一个名为 FCM-MFL-MVC 的创新框架。这项研究巧妙地借用了经典的模糊C均值聚类 思想，并将其深度集成到对比多视图聚类的范式中，开创了一条利用概率性伪标签引导多视图聚类的新路径。
研究者们开展这项工作的核心逻辑是：既然数据点的类别归属本身是不确定的，为何不明确地建模这种不确定性呢？为此，他们摒弃了生硬的硬标签，转而采用模糊C均值聚类来生成概率性伪标签。每个数据点属于各个簇的“可能性”或“隶属度”被明确计算出来，形成一个概率分布。这种做法自然而然地建模了聚类分配的不确定性，如同一份“模糊的藏宝图”，虽然不精确指向一个点，但标出了多个可能区域，从而有效抑制了错误标签在模型学习过程中的传播。为了支撑这一核心创新，研究团队还设计了一个动态学习率调度器，以确保模型在不同学习阶段（特别是对比学习和微调阶段切换时）的优化过程平稳过渡，避免“翻车”。同时，他们引入了一个平衡的双目标损失函数，这个“双保险”一方面致力于提升最终的聚类质量，另一方面着力压制由噪声引起的模型“过拟合”现象，增强模型的泛化能力和鲁棒性。
为了验证FCM-MFL-MVC的有效性，研究团队在五个具有挑战性的高维数据集上展开了广泛的实验，包括CCV、Caltech、ACM、MNIST-test和EYB-fc。这些数据集涵盖了视频、图像、文本等多种模态，具有良好的代表性。实验结果表明，无论是在衡量聚类精度的ACC 和NMI 指标上，还是在模型面对噪声和干扰时的稳健性表现上，FCM-MFL-MVC都显著超越了当时最先进的其他多视图聚类方法，取得了明显的性能提升。
关键技术与方法概览
本研究为开展上述工作，主要依托以下几个关键技术方法：首先是模糊C均值聚类 的集成应用，用于生成概率性伪标签以建模聚类不确定性。其次是构建了一个多级对比学习框架，通过特征解耦机制分离视图的共享与私有信息。第三是采用了动态学习率调度策略，以稳定模型在不同训练阶段（对比学习与微调）的优化过程。第四是设计并优化了平衡的双目标损失函数，旨在协同提升聚类精度与模型鲁棒性。实验验证部分在多个公开的高维多视图数据集 上进行，包括CCV、Caltech、ACM、MNIST-test和EYB-fc，以确保结论的广泛适用性。
研究结果分析
本研究通过系统的实验设计和结果分析，验证了所提FCM-MFL-MVC框架的优越性，主要结论如下：
- •
在多个基准数据集上性能领先
实验结果表明，在CCV、Caltech、ACM、MNIST-test和EYB-fc这五个数据集上，FCM-MFL-MVC在聚类精度（ACC）和标准化互信息（NMI）两项核心评估指标上，均取得了最佳或接近最佳的性能，显著且稳定地超过了其他对比方法。这直接证明了该框架在提升多视图聚类效果方面的有效性。
- •
有效缓解视图差异与流形盲点问题
通过可视化分析和消融实验，研究发现引入模糊C均值生成的概率伪标签，能够更柔和地引导不同视图间的语义对齐，减少了因硬标签强制对齐导致的视图差异。同时，概率化的软分配有助于模型感知数据分布的局部几何结构，从而缓解了流形盲点问题，使模型能够捕捉更复杂的数据流形。
- •
模型组件贡献验证
通过对动态学习率调度器和平衡双目标损失函数进行消融研究，证实了这两个组件对于模型性能均有积极贡献。学习率调度器确保了训练过程的平稳性，而双目标损失则在提升聚类指标的同时，有效控制了模型复杂度，防止了过拟合，增强了模型在面对噪声数据时的鲁棒性。
- •
鲁棒性分析表现优异
在针对模型鲁棒性的测试中，FCM-MFL-MVC在数据存在噪声或部分视图信息缺失的情况下，性能下降幅度小于其他对比方法，显示出更强的稳定性和抗干扰能力。这归功于概率伪标签对错误标签传播的抑制，以及平衡损失函数对噪声的压制作用。
结论与讨论
本研究提出的FCM-MFL-MVC框架，通过将模糊C均值聚类集成到对比多视图聚类学习中，成功地将概率思想引入伪标签生成过程，为处理多视图数据中固有的不确定性和模糊性提供了一种新颖而有效的解决方案。与依赖硬标签的传统方法相比，该框架生成的概率性伪标签 能够更自然地建模数据点对多个簇的隶属关系，从而在源头减轻了错误标签的传播风险，并有效缓解了视图差异 和流形盲点 这两个长期困扰多视图聚类领域的难题。辅以动态学习率调度器 和平衡双目标损失函数 的协同优化，该框架在多个高维、多模态基准数据集上均展现出了卓越的聚类性能和强大的模型鲁棒性。
这项工作的意义不仅在于提出了一种性能更优的多视图聚类算法，更在于其方法论上的启示：在处理复杂、不确定的现实世界数据时，拥抱“模糊性”而非回避它，可能是一条更有前景的路径。FCM-MFL-MVC的成功实践表明，将经典机器学习思想（如模糊聚类）与现代深度学习范式（如对比学习）进行深度融合，能够催生出解决棘手问题的新思路。未来，这一框架有望进一步扩展至半监督或自监督学习场景，其核心的概率伪标签思想也可能为其他涉及不确定性的多模态学习任务，如跨模态检索、生成与补全等，提供有益的借鉴。该研究为多视图数据分析，特别是面对类别边界模糊、数据结构复杂的高维数据时，提供了更加强大和可靠的工具。
