深度部分多视图学习
机器学习
2020-11-13 v1
摘要
尽管多视图学习在过去几十年中取得了显著进展，但由于难以建模不同视图间复杂的相关性，尤其是在视图缺失的情况下，该问题仍具挑战性。为应对这一挑战，我们提出了一种称为跨部分多视图网络（CPM-Nets）的新框架，旨在充分且灵活地利用多个部分视图。我们首先形式化地定义了多视图表示的完备性与通用性，并从理论上证明了所学潜在表示的通用性。对于完备性，我们将学习潜在多视图表示的任务具体转化为通过模拟数据传输的退化过程，从而隐式地实现不同视图间一致性与互补性的最优权衡。结合对抗策略，我们的模型稳定地填补缺失视图，将每个样本来自所有视图的信息编码至潜在表示中，以进一步增强完备性。此外，引入非参数分类损失以产生结构化表示并防止过拟合，使算法在视图缺失情形下具备良好的泛化能力。大量实验结果验证了我们的算法在分类、表示学习和数据填补方面优于现有最先进方法。
引用
@article{arxiv.2011.06170,
title = {Deep Partial Multi-View Learning},
author = {Changqing Zhang and Yajie Cui and Zongbo Han and Joey Tianyi Zhou and Huazhu Fu and Qinghua Hu},
journal= {arXiv preprint arXiv:2011.06170},
year = {2020}
}