基于多视图学习的图随机向量功能链接模型 GRVFL-MV
机器学习
2025-02-11 v3
摘要
随机向量功能链接( RVFL) 作为一种随机化神经网络，其分类性能已得到广泛认可。然而，由于其浅层学习特性，RVFL 常常未能考虑数据集中可用的所有相关信息。此外，它忽略了数据集的几何属性。为解决这些限制，本文提出了一种基于多视图学习的图随机向量功能链接模型，即 GRVFL-MV。该模型在多个视图上进行训练，融合了多视图学习( MVL) 的概念，还利用图嵌入( GE) 框架整合所有视图的几何属性。RVFL 网络、MVL 和 GE 框架的融合使我们提出的模型能够实现以下目标：i) 高效学习：通过利用 RVFL 的拓扑结构，本模型能够有效捕获多视图数据中的非线性关系，促进高效且准确的预测；ii) 综合表示：融合来自多方视角的信息增强了本模型捕捉数据中复杂模式和关系的能力，从而提高了模型的整体泛化性能；iii) 结构感知：通过采用 GE 框架，本模型自然地利用数据集的原始分布，同时利用内在和惩罚子空间学习准则。对提出的 GRVFL-MV 模型在包括 27 个 UCI 和 KEEL 数据集、50 个 Corel5k 数据集和 45 个 AwA 数据集上的评估表明，其在各种数据集上的性能优于基准模型。这些结果突显了该 GRVFL-MV 模型在广泛数据集范围内增强泛化能力的潜力。
引用
@article{arxiv.2409.04743,
title = {GRVFL-MV: Graph Random Vector Functional Link Based on Multi-View Learning},
author = {M. Tanveer and R. K. Sharma and M. Sajid and A. Quadir},
journal= {arXiv preprint arXiv:2409.04743},
year = {2025}
}