异构表示学习：综述
机器学习
2020-05-01 v2 机器学习
摘要
现实世界数据通常表现出模态、视图或资源等方面的异构特性，这带来了一些独特挑战，其关键在于本文所称的异构表示学习（HRL）。本简要综述涵盖 HRL 主题，围绕若干主要学习设置与真实世界应用展开。首先，从数学角度我们提出一个统一学习框架，能够对大多数具有异构输入的现有学习设置进行建模。之后，我们通过回顾一些选定的学习问题及其数学视角，对 HRL 框架进行全面讨论，包括多视图学习、异构迁移学习、利用特权信息的学习以及异构多任务学习。针对每个学习任务，我们还讨论了这些学习问题下的一些应用，并对数学框架中的术语进行实例化。最后，我们强调 HRL 中较少被触及的挑战并给出未来研究方向。据我们所知，尚无此类框架统一这些异构问题，本综述将惠及相关社区。
引用
@article{arxiv.2004.13303,
title = {Heterogeneous Representation Learning: A Review},
author = {Joey Tianyi Zhou and Xi Peng and Yew-Soon Ong},
journal= {arXiv preprint arXiv:2004.13303},
year = {2020}
}