北化团队提出GLCMoE多视图聚类框架，论文入选ACM MM

在近日揭晓的第34届国际多媒体会议（ACM MM 2026）论文评审中，北京化工大学王友清教授团队的研究成果《Global-and-Local Collaborative Mixture-of-Experts with Dual Contrastive Learning for Deep Multi-view Clustering》被正式录用。该论文第一作者为王友清教授，第二作者为硕士研究生肖斌，通讯作者为郭继鹏副教授，北京化工大学为第一完成单位及唯一通讯单位。

作为中国计算机学会（CCF）推荐的多媒体领域A类顶会，ACM MM一直是计算机视觉、多媒体计算与分析领域最具影响力的学术平台之一。

针对当前深度多视图聚类方法易忽略跨视图异质性、难以实现精准语义对齐的痛点，该研究提出了一种名为GLCMoE（全局-局部协同混合专家框架）的新架构。该框架主要由局部混合专家（LMoE）、全局混合专家（GMoE）以及双重对比学习（DCL）三大模块构成。

具体实现上，GLCMoE遵循“先拆分、后聚合，分层对比学习”的策略：

1. 局部混合专家（LMoE）：依托参数共享的专家库过滤跨视图异质噪声，并通过门控路由机制自适应激活和重组专家，保留细粒度的视图特有互补信息。
2. 全局混合专家（GMoE）：引入基于Transformer Attention的路由机制，在统一的多视图特征空间中提取一致性，捕捉高阶跨视图交互关系。
3. 双重对比学习（DCL）：在多个表征层级推进跨视图深层语义对齐，覆盖局部视图表征之间的粗粒度对齐，以及局部融合表征与全局表征之间的细粒度对齐。

此外，为避免混合专家模型常见的“专家坍塌”问题，团队还设计了一种门控路由均衡正则项，显著提升了各专家的利用均衡度，最终实现了兼具判别性与语义一致性的跨视图表征融合。

该研究得到了国家自然科学基金及北京市自然科学基金等项目的支持。