본 논문은 깊이 있는 다중 뷰 클러스터링에 그래프 학습을 통합하는 기존 방법들의 제곱 시간 복잡도 문제를 해결하기 위해, 선형 시간 복잡도를 갖는 Deep Multi-view Anchor Clustering (DMAC) 모델을 제안합니다. DMAC은 가우시안 분포에서 샘플링된 긍정적 인센티브 노이즈를 초기 앵커에 적용하여 새롭게 설계된 앵커 학습 손실 함수를 통해 앵커를 최적화합니다. 이를 통해 샘플과 앵커 간의 명확한 관계를 촉진하고, 앵커 그래프 컨볼루션을 사용하여 앵커에 의해 형성된 클러스터 구조를 모델링하며, 상호 정보 최대화 손실을 통해 교차 뷰 클러스터링 가이드를 제공합니다. 최적화된 앵커를 사용하여 전체 샘플 그래프를 계산하고, 클러스터링을 위한 차별적인 임베딩을 도출합니다. 여러 데이터셋에 대한 광범위한 실험을 통해 DMAC이 기존 최첨단 모델들보다 우수한 성능과 효율성을 보임을 입증합니다.
