Magnetische Phasen‑Konsistenz revolutioniert unsupervised Multi‑View Clustering

Unsupervised Multi‑View Clustering (MVC) versucht, Daten in sinnvolle Gruppen zu zerlegen, indem es die komplementären Informationen mehrerer Ansichten nutzt – ohne dass Labels vorliegen. Ein zentrales Problem dabei ist, ein zuverlässiges gemeinsames Struktursignal zu gewinnen, das die Repräsentations­lernen und die Ausrichtung zwischen den Ansichten steuert, insbesondere wenn die Ansichten unterschiedliche Verzerrungen und Rauschen aufweisen.

Viele aktuelle Ansätze beruhen auf rein magnitudenbasierten Ähnlichkeitsmaßen oder frühen Pseudo‑Zielen. Diese Verfahren können instabil werden, wenn verschiedene Ansichten vergleichbare Beziehungsstärken, aber widersprüchliche Richtungs­tendenzen erzeugen. Das Ergebnis ist eine verzerrte globale Spektralgeometrie, die die Cluster‑Qualität erheblich mindert.

Die neue Methode „Phase‑Consistent Magnetic Spectral Learning“ löst dieses Problem, indem sie die Richtungs­vereinbarung zwischen Ansichten als Phasen­term modelliert und mit einer nicht‑negativen Magnitude‑Basis kombiniert. Das Ergebnis ist eine komplexwertige magnetische Ähnlichkeitsmatrix, aus der über einen Hermitian‑magnetischen Laplacian ein stabiles gemeinsames Spektralsignal extrahiert wird. Dieses Signal dient als strukturierte Selbst‑Supervision, die das unsupervised Repräsentationslernen und die Cluster‑Aufgabe gezielt unterstützt.

Zur Erzeugung robuster Eingaben für die Spektralextraktion wird ein kompakter gemeinsamer Aufbau mit ankerbasierter hoch‑ordner Konsens‑Modellierung verwendet, gefolgt von einer leichten Verfeinerung, die raue oder inkonsistente Beziehungen unterdrückt. Umfangreiche Experimente an mehreren öffentlichen Multi‑View‑Benchmarks zeigen, dass die Methode konsequent die führenden Baselines übertrifft.