簇级对比学习约束下的自适应磁性图聚类方法技术

本发明专利技术公开了一种簇级对比学习约束下的自适应磁性图聚类方法，首先对数据进行预处理，利用本发明专利技术的自适应磁性亲和图学习策略构造样本间亲和矩阵；然后对归一化后的数据处理得到增广特征矩阵，通过编码器Encoder学习到对应深层特征并解码Embedding及簇分配概率表示；接着在学到的深层特征空间上计算重构特征间相似度、实例级‑亲和图对比损失和簇级‑对比学习损失，总损失函数为两个损失之和，使用Adam优化器通过梯度下降法最小化自适应对比损失；最后自适应更新稀疏度，动态更新稀疏度的策略可以保证网络训练时的稳定性和相关性。

【技术实现步骤摘要】

本专利技术属于机器学习，具体涉及一种簇级对比学习约束下的自适应磁性图聚类方法。

技术介绍

1、在现实生活中，海量高维的原始数据因包含无效的信息而难以被人工预先标记。然而，这些数据也蕴含着许多潜在的信息，但由于其高维和冗杂的属性，提取有效信息是一项具有挑战性的任务。图表征为描述底层数据关系提供了更有效的方法。然而，绝大多数数据集仅包含样本自身的特征信息，往往没有提供相应的图结构数据，这使得图表征技术不可用。现有的研究大多集中在如何针对图结构有效地刻画节点特征，很少关注如何自适应地构建样本对之间的内部结构和潜在联系。另一方面，现存的图构建技术主要基于概率的角度生成线性的实例间相似度分布，不能真实地描述样本间亲和性分布。

2、对比学习方法由于其出色的表征学习能力，成为了该领域常用的基础研究方法。其主要思想是最大化正样本对相似度的同时，最小化负样本对。然而，绝大多数研究关注在实例级别的对比学习，由于聚类任务并没有先验的标签可以使用，因此实例级别对比学习的正、负样本就通过数据增强产生的伪标签来构建。具体来说，相同实例的不同增强样本构建正样本对，其余为负样本文档来自技高网...

【技术保护点】

1.一种簇级对比学习约束下的自适应磁性图聚类方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种簇级对比学习约束下的自适应磁性图聚类方法，其特征在于，所述对X各维度进行归一化操作采用极差变换法。

【技术特征摘要】

1.一种簇级对比学习约束下的自适应磁性图聚类方法，其特征在于，包括如下步骤：

2.根据权利要求1...

【专利技术属性】
技术研发人员：李学龙，张睿，程月龙，朱康佳，翟佳驰，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：