基于张量图补全的自适应不完全多视图学习
机器学习
2022-08-09 v1
摘要
随着数据采集技术的进步，多视图学习已成为研究热点。一些多视图学习方法假设多视图数据完整，即所有样本均存在，但这过于理想。某些用于处理不完全多视图数据的基于张量的方法已经出现并取得了较好的结果。然而，仍存在一些问题，例如使用传统的张量范数导致计算量大且无法处理样本外数据。为解决这两个问题，我们提出了一种新的不完全多视图学习方法。定义了一种新的张量范数来实现图张量数据的恢复。随后将恢复出的图正则化为样本的一致低维表示。此外，为每个视图配备自适应权重以调整不同视图的重要性。与现有方法相比，我们的方法不仅挖掘了视图间的一致性，还利用学习到的投影矩阵获得了新样本的低维表示。设计了一种基于不精确增广拉格朗日乘子（ALM）方法的高效算法来求解该模型，并证明了其收敛性。在四个数据集上的实验结果表明了方法的有效性。
引用
@article{arxiv.2208.03710,
title = {Adaptive incomplete multi-view learning via tensor graph completion},
author = {Heng Zhang and Xiaohong Chen},
journal= {arXiv preprint arXiv:2208.03710},
year = {2022}
}