دادههای چندنمایی در کاربردهای دنیای واقعی، از جمله در حوزههایی که با تصاویر، متن و گرافها سروکار دارند، بهوفور یافت میشوند. خوشهبندی چندنمایی باهدف بهرهبرداری از اطلاعات مکمل موجود در این منابع متنوع، به دنبال بهبود عملکرد خوشهبندی است. بااینحال، روشهای موجود اغلب در ادغام مؤثر نماهای ناهمگن و با ابعاد بالا، مدیریت ساختارهای گراف نویزی و حفظ همزمان انسجام خوشهها در دو سطح سراسری و محلی با چالشهای جدی مواجه هستند. برای غلبه بر این چالشها، ما یک چارچوب نوآورانه مبتنی بر گراف با عنوان «یادگیری متضاد بازنمایی گراف با نماهای چند مقیاسی هدایت شده با نفوذ» (GI-GCL) را ارائه میدهیم. GI-GCL یک چارچوب یادگیری سرتاسری است که در ابتدا گرافهای مختص هر نما را ایجاد میکند و سپس در هر تکرار این گرافها را اصلاحکرده و با استفاده از یک شبکه عصبی گراف ناهمگن، بازنماییها را میآموزد. در ادامه یک سازوکار ترکیب دوگانه (dual-fusion) قابلیادگیری، این بازنماییها را بیشتر اصلاح نموده و گراف اجماع نهایی را ایجاد میکند. نوآوری اصلی این چارچوب، سازوکار متضاد سلسلهمراتبی مبتنی بر لنگرهای آگاه از تأثیر است که از گرههای لنگر مرکزی برای یادگیری متضاد تودرتو استفاده میکند. این رویکرد ضمن حفظ انسجام خوشههای خرد، جداسازی خوشههای کلان را تقویت کرده و به مسئله عدم تعادل در نمونهبرداری مثبت و منفی میپردازد. در نهایت، یک راهبرد خوشهبندی تطبیقی ترکیبی، فرایند را از مقداردهی اولیه با K-means به سمت اصلاح خود نظارتی هدایت میکند تا از همگرایی به بهینههای محلی جلوگیری شود. این ادغام استراتژیک اجزا، یادگیری جامع مدل و تطبیق با ساختارهای زیربنایی دادهها و خوشهها را امکانپذیر میسازد که منجر به بهبود قابلتوجه نتایج خوشهبندی میشود. آزمایشهای گسترده بر روی هشت مجموعهداده متنوع، نشان میدهد که GI-GCL به طور مداوم و با حاشیه قابلتوجهی در هفت معیار ارزیابی، از روشهای پیشرفته خوشهبندی چندنمایی بهتر عمل میکند. علاوه بر این، مدل پیشنهادی تفسیرپذیری، مقیاسپذیری و مقاومت قابلتوجهی از خود به نمایش میگذارد و مسیری امیدوارکننده برای آینده خوشهبندی عمیق چندنما ارائه میدهد.
