摘要
在实际应用中，由于空间、时间或时空上的异步性，通常仅有一部分数据在不同视图间实现对齐，从而导致所谓的“部分视图对齐问题”（Partially View-aligned Problem, PVP）。针对这一鲜少被关注且无需标签辅助的难题，本文提出一种同时学习特征表示并实现数据对齐的方法，采用抗噪声的对比学习损失函数。具体而言，对于某一视图中的每个样本，我们的方法旨在识别其在其他视图中属于同一类别的对应样本，从而建立跨视图的对应关系。由于对比学习需要成对数据作为输入，我们利用已知的对应关系构建正样本对，而通过随机采样生成负样本对。为缓解甚至消除随机采样引入的错误负样本对所带来的负面影响，我们进一步提出一种抗噪声的对比损失函数，能够自适应地防止错误负样本主导网络优化过程。与匈牙利算法及其变体不同，本方法解决PVP问题的目标是实现类别级而非实例级的对齐。得益于类别级对齐具有更高的可获取性与可扩展性，该方法在聚类与分类等任务中更具实用性。此外，据我们所知，本工作是首次成功实现对比学习对噪声标签具备鲁棒性的尝试。大量实验结果表明，相较于10种先进的多视图方法，本文所提方法在聚类与分类任务中均展现出优异且具有竞争力的性能。