（七步走）: Self Supervised Correlation-based Permutations for Multi-View Clustering

跨模态信息融合技术能够有效提升包括聚类在内的多种数据分析任务性能。然而，当前的多视图聚类（MVC）方法往往受限于特定应用场景，或依赖于计算成本较高的两阶段流程，即先进行数据表示再执行聚类操作。针对上述问题，本文设计了一种适用于通用数据类型（如图像、表格等）的端到端深度学习驱动的MVC框架。该方法通过引入一种基于排列机制的典型相关目标函数，实现对具有实际意义的融合数据表示的学习。与此同时，通过在多个视图中识别出一致性的伪标签，完成对聚类分配的学习过程。通过在十个MVC基准数据集上的实验验证，充分展示了所提模型的有效性。从理论层面分析，该模型能够逼近监督式线性判别分析（LDA）所获得的数据表示形式，并进一步推导出由错误伪标签注释引发的误差范围。本研究成功构建并验证了一个面向多视图聚类任务的新框架，该框架依托深度学习技术，在处理多样化数据类型方面展现出显著优势。通过结合基于排列的典型相关目标与多视图伪标签一致性机制，该方法能够高效地完成融合表示学习与聚类分配任务。实验结果表明，在十个标准MVC基准数据集上均取得了良好表现；理论分析亦证实了其与监督式线性判别分析之间的近似关系，并提供了由误标伪标签导致的误差边界估计。这项工作为复杂系统的多视图数据分析提供了一种高效且灵活的新路径，有望推动对银河系等复杂系统的深入探索与理解。