面向不完整多视图多标签分类的自适应解耦表示学习
计算机视觉与模式识别
2026-01-12 v1 人工智能
摘要
多视图多标签学习经常面临特征同时缺失和不完整标注的问题，这源于数据获取的挑战和成本密集的监督。为了解决这个复杂但高度实际的问题，同时克服特征恢复、表示解耦和标签语义建模的现有局限性，我们提出了一种自适应解耦表示学习方法（ADRL）。ADRL通过跨模态传播具有邻域感知的特征级亲和力来实现鲁棒的视图补全，并利用随机掩码策略增强重建有效性。通过在标签分布间传播类别级关联，ADRL精炼分布参数以捕获相互依赖的标签原型。此外，我们制定了一个基于互信息的目标，以促进共享表示之间的一致性，并抑制视图特定表示与其他模态之间的信息重叠。理论上，我们推导出可处理的界限来训练双通道网络。此外，ADRL通过启用标签嵌入和视图表示之间的独立交互来执行原型特定的特征选择，同时为每个类别生成伪标签。然后利用伪标签空间的结构特性在视图融合期间指导判别性权衡。最后，在公共数据集和实际应用上的广泛实验证明了ADRL的优越性能。
引用
@article{arxiv.2601.05785,
title = {Adaptive Disentangled Representation Learning for Incomplete Multi-View Multi-Label Classification},
author = {Quanjiang Li and Zhiming Liu and Tianxiang Xu and Tingjin Luo and Chenping Hou},
journal= {arXiv preprint arXiv:2601.05785},
year = {2026}
}