公开(公告)号：CN113591879A

公开(公告)日：2021-11-02

申请号：CN202110831409.8

申请日：2021-07-22

Applicant: 大连理工大学

Inventor： 宗林林 ,  苗发强 ,  徐博 ,  梁文新 ,  张宪超

IPC: G06K9/46 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了基于自监督学习的深度多视图聚类方法、网络、装置及存储介质，属于深度多视图聚类领域，应用于异常点检测、多种产品的价值组合和目标用户的群体划分等多种应用场景，该方法使用了一种自监督的成对约束传播模型，通过融合的自编码器提取多个视图的潜在一致特征后基于多视图的共性特征可以自动地从数据中挖掘监督约束信息，随后用于优化聚类特征提取模型，充分地挖掘了数据的潜在价值，有效地降低了人工标记的成本同时提升了多视图聚类的性能，实验证明，本发明提出的方法相比现存的基准算法能取得更好的结果。

公开(公告)号：CN113591879B

公开(公告)日：2024-10-29

申请号：CN202110831409.8

申请日：2021-07-22

Applicant: 大连理工大学

Inventor： 宗林林 ,  苗发强 ,  徐博 ,  梁文新 ,  张宪超

IPC: G06V10/44 ,  G06V10/74 ,  G06V10/762 ,  G06V10/77 ,  G06V10/82 ,  G06N3/04 ,  G06N3/0895

Abstract: 本发明公开了基于自监督学习的深度多视图聚类方法、网络、装置及存储介质，属于深度多视图聚类领域，应用于异常点检测、多种产品的价值组合和目标用户的群体划分等多种应用场景，该方法使用了一种自监督的成对约束传播模型，通过融合的自编码器提取多个视图的潜在一致特征后基于多视图的共性特征可以自动地从数据中挖掘监督约束信息，随后用于优化聚类特征提取模型，充分地挖掘了数据的潜在价值，有效地降低了人工标记的成本同时提升了多视图聚类的性能，实验证明，本发明提出的方法相比现存的基准算法能取得更好的结果。