近日，我院2023级研究生张一凡在人工智能及专家系统领域顶级期刊《Expert Systems With Applications》（中科院一区 Top，IF 7.5）发表题为“KanDMVC: KAN be used for deep multi-view clustering?”的研究成果。3499拉斯维加斯官网为论文第一署名单位。
该研究针对深度多视图聚类（DMVC）中现有的两大挑战：一是编码依赖挑战，即传统框架对预设激活函数的性能波动极度敏感；二是数据差异挑战，即不同来源视图数据的变异性影响特征融合结果。为此，研究团队提出了一种基于 Kolmogorov–Arnold 网络（KAN）的视图对比融合框架（KanDMVC）。
该方案首先设计了基于KAN 的新型自适应编码框架（KANencoder），通过在训练过程中自适应学习匹配的激活函数，有效缓解了模型对固定激活函数的依赖，并提升了特征提取的解释性。其次，为了充分利用视图间的互补信息，团队设计了一个对比融合模块，该模块全面考虑了特征的相似性与差异性，自动调节各视图权重，从而学习到更具鲁棒性的特征表示。多项公开数据集上的实验结果表明，KanDMVC 的性能显著优于现有的深度多视图聚类算法。
研究主要创新点：1、提出基于KAN 的编码框架：首次将 Kolmogorov–Arnold 网络引入深度多视图聚类领域，利用其可学习的边激活函数代替传统线性层与固定激活函数的组合，增强了特征捕获的灵活性和交互性。2、提出自适应对比融合方法：通过设计对比融合策略，有效权衡了多视图数据间的异质性，获得了更全面的特征表示。
图1 KanDMVC 整体框架流程图。
图2 对比融合模块结构图。
图3 训练过程可视化分析，展示了模型在不同训练阶段的特征聚类效果。
论文原文链接：https://www.sciencedirect.com/science/article/pii/S0957417425004907