近日，语言智能与文化计算2023级博士生张凯武在不完整多视图聚类领域上的最新研究成果《Deep Incomplete Multi-view Clustering via Attention-based Direct Contrastive Learning》被人工智能领域一区Top期刊Expert Systems with Applications（中科院1区Top期刊，JCR：Q1，最新影响因子：7.5）接收。该期刊是计算机科学和智能系统领域内最具影响力的顶级期刊之一，主要报道前沿新兴的计算机技术和专家智能系统技术。我院杜世强教授为通讯作者，博士生张凯武为论文第一作者，论文署名单位和通信作者单位均为西北民族大学。学院致力于培养高质量、高素质、高水平的综合创新型人才，通过不断优化教育体系和科研环境，确保学生在学术和实践中全面发展，激励研究生勇攀科学高峰，为国家和社会的发展贡献更多的智慧和力量。

在实际场景中，由于机器故障或传感器问题等因素，多视图数据可能会丢失某些视图信息，导致不完整多视图数据的出现。例如一条道路上的多个监控设备会由于部分摄像头故障而丢失视频信息。为了解决数据不完整问题，不完整多视图聚类(Incomplete Multi-View Clustering，IMVC)应运而生。虽然目前基于对比学习的IMVC利用填充策略能够减少缺失数据的影响，但这些方法为防止出现潜在特征只能在较低维度子空间中有效的维度塌缩现象，均依赖额外的投影头来解决。另一方面，IMVC在同一特征空间中同时进行一致性学习和重构，严重误导了共同语义的捕获。

针对上述问题，杜世强教授团队提出了一种基于注意力机制和直接对比学习的深度IMVC方法。如图1所示，具体地，该模型首先使用具有自注意力机制的编码器学习每个输入的权重，排除仅限于特定子集的信息。其次，利用提取的特征子向量进行一致性学习，直接优化潜在特征子空间并避免了维度塌缩。同时，允许重构损失和对比损失分别作用于特征向量及其子向量，解决了视图私有信息的不一致性与公共语义的一致性之间的冲突。最后，该方法采用基于潜在特征的预测机制来实现数据的可恢复性。

为验证方法在实际应用中的有效性，论文在多个基准数据集上进行了聚类、人体行为识别等任务，并展示了缺失视图恢复的可视化结果，进一步说明该方法具有推断缺失视图信息的能力。图2展示了不完整数据的恢复结果。

总体而言，该研究首次在不依赖投影头的情况下利用对比学习避免不完整多视图聚类的维度塌缩现象，有望为处理不完整数据和防止聚类维度塌缩提供新的见解。下一步，学院将继续秉承以人为本教育理念，不断优化人才培养模式，全面落实“学生中心—产出导向—持续改进”为核心的以OBE理念，实现高质量复合型人才培养。