COMPLETER: 대비 예측을 통한 불완전 다중 시각 클러스터링

이 논문에서는 불완전한 다중 시각(multi-view) 군집 분석에서 두 가지 도전적인 문제를 다룬다. 첫째, 레이블 없이 다양한 시각 간에 정보가 풍부하고 일관성 있는 표현을 어떻게 학습할 것인지이고, 둘째, 데이터로부터 누락된 시각을 어떻게 복원할 것인지이다. 이를 위해 정보 이론의 관점에서 표현 학습과 데이터 복원을 통합된 프레임워크 안에 포함하는 새로운 목적 함수를 제안한다. 구체적으로, 대조 학습(contrastive learning)을 통해 다양한 시각 간의 상호 정보(mutual information)를 최대화함으로써 정보가 풍부하고 일관성 있는 표현을 학습하고, 이중 예측(dual prediction)을 통해 다양한 시각의 조건부 엔트로피(conditional entropy)를 최소화함으로써 누락된 시각을 복원한다. 우리 지식상으로는, 본 연구가 일관성 있는 표현 학습과 시각 간 데이터 복원을 통합하는 이론적 프레임워크를 제시한 최초의 작업일 것으로 판단된다. 광범위한 실험 결과는 제안된 방법이 네 가지 도전적인 데이터셋에서 10개의 경쟁적 다중 시각 군집 방법보다 뛰어난 성능을 보임을 보여준다. 코드는 https://pengxi.me 에 공개되어 있다.