CONDEN-FI：基于一致性与多样性学习的多视图无监督特征与样本联合选择
机器学习
2024-12-10 v1
摘要
多视图无监督特征与样本联合选择的目标是同时从多视图无标签数据中识别最具代表性的特征和样本，这有助于缓解维度灾难并减少样本规模以提升下游任务的性能。然而，现有方法将特征选择和样本选择视为两个独立的过程，未能利用特征空间与样本空间之间的潜在交互。此外，先前的多视图联合选择方法需要拼接不同视图，忽略了它们之间的一致性信息。在本文中，我们提出了一种一致性与多样性学习驱动的多视图无监督特征与样本联合选择方法（CONDEN-FI），以解决上述问题。具体而言，CONDEN-FI从样本空间和特征空间两个角度重建多视图数据，学习跨视图一致且各视图特有的表示，从而实现同时选择最重要的特征和样本。此外，CONDEN-FI自适应地学习一个视图共识相似性图，以帮助在重建的数据空间中选择差异性和相似性样本，从而实现更具多样性的样本选择。一种高效算法被开发用于求解所得优化问题，在真实数据集上的全面实验结果表明CONDEN-FI相比现有最先进方法具有有效性。
引用
@article{arxiv.2412.06568,
title = {CONDEN-FI: Consistency and Diversity Learning-based Multi-View Unsupervised Feature and In-stance Co-Selection},
author = {Yanyong Huang and Yuxin Cai and Dongjie Wang and Xiuwen Yi and Tianrui Li},
journal= {arXiv preprint arXiv:2412.06568},
year = {2024}
}