本稿では、ユーザーの興味を反映した効率的なクラスタリングを実現するための新しいフレームワーク「Multi-DProxy」を提案しています。従来の方法は、多様な潜在構造を発見することが求められる複数のクラスタリングを行っていましたが、ユーザーの関心を無視した生成により手間がかかりました。Multi-DProxyは、学習可能なテキストプロキシを通じたクロスモーダル整合性を利用し、動的かつ適応的な特徴相互作用をモデル化します。具体的には、1) 自動的に特徴相互作用を調整するゲーテッドクロスモーダル融合、2) ユーザーの興味に基づく厳密なセマンティック整合性を持つデュアル制約プロキシ最適化、3) 反復的なクラスタリングフィードバックを通じた動的候補管理の手法を導入しています。このアプローチにより、Multi-DProxyはユーザーの興味を的確に捉え、より関連性の高いクラスタリングの特定を可能にします。実験結果は、他の手法と比較して優れたパフォーマンスを示しており、複数クラスタリングのベンチマークにおいて大幅な改善が確認されています。