深度迁移张量分解用于多视图学习
计算机视觉与模式识别
2023-02-14 v1
摘要
本文研究多视图学习中的数据稀疏问题。为解决多视图评分中的数据稀疏问题，我们通过集成深度学习与跨域张量分解，提出一种通用架构——深度迁移张量分解(DTTF)，其中嵌入辅助信息以有效补偿张量稀疏性。随后，我们通过在源域和目标域中结合堆叠去噪自编码器(SDAE)与 CANDECOMP/PARAFAC (CP) 张量分解来展示该架构的实例化，其中用户与物品的辅助信息均与稀疏多视图评分紧密耦合，并基于联合优化学习隐因子。我们将多视图评分与辅助信息紧密耦合，以改进基于推荐的跨域张量分解。在真实世界数据集上的实验结果表明，我们的 DTTF 方案在多视图评分预测上优于最先进的方法。
引用
@article{arxiv.2302.06133,
title = {Deep Transfer Tensor Factorization for Multi-View Learning},
author = {Penghao Jiang and Ke Xin and Chunxi Li},
journal= {arXiv preprint arXiv:2302.06133},
year = {2023}
}
备注
International Conference on Data Mining 2022 Workshop MRL