北师大ac米兰官网余先川教授团队论文入选顶级会议 Outstanding Paper
国际多媒体会议（ACM International Conference on Multimedia，简称ACM MM）由国际计算机协会（ACM）发起，是多媒体处理、分析与计算领域最具影响力的国际顶级会议。该会议被推荐为CCF-A类会议。ACM MM 2025于2025年10月27日至31日在爱尔兰都柏林召开。本次会议共收到5330篇，接受1250篇，接受率23.45%，其中的Content Theme收到2400余篇，仅有3篇获Outstanding Paper（杰出论文），1/800的杰出率，北师大ac米兰官网余先川教授团队的研究成果成功入选。
论文介绍
论文题目：Robust Multi-view Clustering via Pseudo Label Guided Universum Learning
论文作者：汪真西，殷宗耀，侯宇杰，余先川
通讯作者：余先川
论文概述：
近年来，对比学习已成为一种很有前景的多视图聚类（MVC）方法，因为它强调跨视图一致性，并利用来自不同视图的互补信息来增强对异构数据的分析。然而，传统的对比MVC方法存在一个固有的局限性：它们的一对多对比机制会导致假阴性问题（FNP），即语义上相似的类内实例被错误地排斥。这种现象损害了类内一致性，并最终降低了聚类性能。为了克服这个问题，本文提出了一种新颖的伪标签引导的普适学习（PAUSE）框架，用于稳健的多视图聚类。具体来说，PAUSE在两个协同阶段运行：一个预热阶段，采用双重对比学习来生成可靠的伪标签，从而建立稳健的语义关系；一个微调阶段，通过在锚点实例和类外质心之间进行Mixup来合成普适样本，并由获得的伪标签引导。这种独特的机制构建了广义的负类，扩大了类间间隔，同时保持了类内凝聚力。至关重要的是，扩大的决策边界可以防止错位类内实例的错误分类，从而有效地避免了FNP，而无需显式的负对校正。本文进一步设计了一种稳健的普适对比损失，通过自适应边界约束显式地强调跨视图一致性。在五个多视图基准上的大量实验表明，PAUSE始终优于11种最先进的多视图学习方法。
图1 研究动机与解决思路示意图
https://dl.acm.org/doi/abs/10.1145/3746027.3755205
图2 PAUSE框架概述
在线链接：https://dl.acm.org/doi/abs/10.1145/3746027.3755205
