基于神经网络多对多关联的多视图特征学习概率框架
机器学习
2018-06-12 v2
摘要
本文提出了一个简单的框架——概率多视图图嵌入（Probabilistic Multi-view Graph Embedding, PMvGE），用于具有多对多关联的多视图特征学习，从而推广了多种现有的多视图方法。PMvGE 是一种概率模型，通过对数据向量节点及其关联连边进行图嵌入来预测新关联。具有多对多关联的多视图数据向量经神经网络变换到共享空间中的特征向量，两个数据向量之间新关联的概率由其特征向量的内积建模。现有多视图特征学习技术只能处理多对多关联和非线性变换二者之一，而 PMvGE 可同时处理两者。结合 Mercer 定理与通用逼近定理，我们证明 PMvGE 能够学习跨视图的广泛一类相似性度量。我们的基于似然的估计器通过小批量 SGD 实现了大规模数据集中数据向量非线性变换的高效计算，数值实验表明 PMvGE 优于现有的多视图方法。
引用
@article{arxiv.1802.04630,
title = {A probabilistic framework for multi-view feature learning with many-to-many associations via neural networks},
author = {Akifumi Okuno and Tetsuya Hada and Hidetoshi Shimodaira},
journal= {arXiv preprint arXiv:1802.04630},
year = {2018}
}
备注
16 pages (with Supplementary Material), 5 figures, ICML2018