融合多层级对比学习的深度主动时序聚类方法

针对DATC‑CT方法中的不足，本发明提出一种基于多层次对比学习的主动时序聚类模型(DATC‑MC)，该模型在DATC‑CT方法的基础上融合包含实例级对比与类簇级对比的多层次对比学习机制，优化样本特征表示质量，增强类簇间边界的区分能力。在主动采样的巩固阶段，DATC‑MC使用KNN算法计算每个样本在表示空间中的密度，优先选择样本密度最大的样本，将其存入标注类簇集合ACS或与之相应的辅助标注集合AAS，从而生成高质量的ML与CL约束。DATC‑MC模型使用对比损失与约束损失共同优化编码网络参数与类簇中心。在公开数据集上的对比实验结果表明，所提出模型的聚类性能优于已有的主动时序聚类方法。