基于图一致性项的 multiview 学习统一框架
机器学习
2021-07-13 v2
摘要
近年来，面向各类应用的多视图学习技术引发了大量关注。由于来自多个视图的更具兼容性与互补性的信息，现有多视图方法在大多数情况下能比传统单视图方法取得更优性能。然而，现有多视图工作中关于统一框架的研究仍不充分。同时，如何高效整合多视图信息仍充满挑战。本文提出一种新颖的多视图学习框架，旨在通过引入图一致性项将大多数现有图嵌入工作纳入统一公式。具体而言，我们的方法独立探索各视图中的图结构以保留图嵌入方法的多样性属性。同时，我们选择异构图构建图一致性项以联合探索多视图间的相关性。至此，不同视图间的多样性与互补信息可同时被考虑。此外，该框架被用于实现局部线性嵌入的多视图扩展，称为多视图局部线性嵌入(MvLLE)，可通过交替优化策略高效求解。在六个基准数据集上的实证验证表明了我们所提方法的有效性。
引用
@article{arxiv.2105.11781,
title = {A unified framework based on graph consensus term for multi-view learning},
author = {Xiangzhu Meng and Lin Feng and Chonghui Guo},
journal= {arXiv preprint arXiv:2105.11781},
year = {2021}
}