aaai引用论文格式

在该论文中，作者利用instance-level和cluater-level的对比学习提出了一个在线的聚类方法Contrastive Clustering（CC）。具体来说，对于给定的数据集，通过数据增强构建正例和负例样本对，然后映射到特征空间。其中，instance-level和cluster-level的对比学习分别在行和列对应的空间进行，其目的是最大化与正例样本间的相似度，同时最小化与负例样本之间的相似度。作者的主要观察结果是，特征矩阵的行可以被视为实例的软标签，相应地，列可以进一步被视为聚类表示。通过同时优化instance-level和cluster-level对比损失，该模型以端到端的方式联合学习表示和聚类分配。此外，即使数据以流的形式呈现，该方法也能及时计算每个样本的聚类分配。同时，实验效果也展示出所提模型的优异性能。作者提出的双对比学习框架去学习样本和类簇的表示。具体的步骤如下：1）通过数据增强学习数据对的特征矩阵；2）分别在特征矩阵的行列的空间对正例对和负例对进行instance-level和cluater-level的对比学习。 通过两种类型的相似度学习的对比，提出的方法可以学习具有判别性的特征，并且可以以在线和端到端的方式进行在线聚类。 可以由上图看出，该方法由三个共同学习的组件组成，即对构造主干(PCB)、一个instance-level对比头(ICH)和一个cluster-level对比头(CCH)。经过训练后，通过CCH预测的软标签，可以很容易地获得聚类分配。 作者指出，虽然基本思想是这种双对比学习可以直接应用在同一个特征矩阵上，但实验结果表明将特征矩阵解耦为两个独立的子空间分别进行instance-level和cluster-level对比学习的聚类性能更高。可能的原因是这种解耦策略可以提高ICH和CCH的表示性能。下面，我们将依次详细阐述这三个组成部分，并介绍使用的目标函数。