다양한 관측 노이즈에 대한 품질 기반의 강력한 다중 뷰 클러스터링

Quality-Aware Robust Multi-View Clustering for Heterogeneous Observation Noise

심층 다중 뷰 클러스터링은 놀라운 발전을 이루었지만, 실제 응용 분야에서 발생하는 복잡한 노이즈에 취약한 문제가 남아 있습니다. 기존의 노이즈에 강건한 방법들은 주로 단순화된 이분법적 가정을 사용하며, 데이터를 완벽하게 깨끗하거나 완전히 손상된 것으로 취급합니다. 이는 데이터 전반에 걸쳐 지속적으로 변하는 이질적인 관측 노이즈의 존재를 간과하는 것입니다. 이러한 간극을 해소하기 위해, 우리는 품질 기반의 강력한 다중 뷰 클러스터링 (Quality-Aware Robust Multi-View Clustering, QARMVC)이라는 새로운 프레임워크를 제안합니다. 구체적으로, QARMVC는 정보 병목 메커니즘을 사용하여 뷰 재구성을 위한 내재적 의미를 추출합니다. 노이즈가 의미의 무결성을 파괴하고 재구성을 방해한다는 통찰력을 바탕으로, 우리는 결과적으로 발생하는 재구성 불일치를 활용하여 미세한 오염 강도를 정확하게 정량화하고, 인스턴스 수준의 품질 점수를 도출합니다. 이러한 점수는 계층적 학습 전략에 통합됩니다. 특징 수준에서는, 품질 가중 대비 학습 목표를 설계하여 노이즈의 전파를 적응적으로 억제합니다. 융합 수준에서는, 품질 가중 집계를 통해 고품질의 글로벌 합의를 구축하며, 이는 상호 정보 최대화를 통해 로컬 뷰를 정렬하고 수정하는 데 사용됩니다. 다섯 개의 벤치마크 데이터 세트에 대한 광범위한 실험 결과, QARMVC는 이질적인 노이즈 강도가 존재하는 시나리오에서 특히 최첨단 기반 모델보다 일관되게 우수한 성능을 보이는 것으로 나타났습니다.

Deep multi-view clustering has achieved remarkable progress but remains vulnerable to complex noise in real-world applications. Existing noisy robust methods predominantly rely on a simplified binary assumption, treating data as either perfectly clean or completely corrupted. This overlooks the prevalent existence of heterogeneous observation noise, where contamination intensity varies continuously across data. To bridge this gap, we propose a novel framework termed Quality-Aware Robust Multi-View Clustering (QARMVC). Specifically, QARMVC employs an information bottleneck mechanism to extract intrinsic semantics for view reconstruction. Leveraging the insight that noise disrupts semantic integrity and impedes reconstruction, we utilize the resulting reconstruction discrepancy to precisely quantify fine-grained contamination intensity and derive instance-level quality scores. These scores are integrated into a hierarchical learning strategy: at the feature level, a quality-weighted contrastive objective is designed to adaptively suppress the propagation of noise; at the fusion level, a high-quality global consensus is constructed via quality-weighted aggregation, which is subsequently utilized to align and rectify local views via mutual information maximization. Extensive experiments on five benchmark datasets demonstrate that QARMVC consistently outperforms state-of-the-art baselines, particularly in scenarios with heterogeneous noise intensities.