联合嵌入学习与低秩近似：一种不完备多视图学习框架
机器学习
2019-12-17 v2 机器学习
摘要
在现实应用中，多视图数据并非所有样本都得到完整表示。为处理不完备数据，不完备多视图学习（IML）应运而生。本文提出面向 IML 的联合嵌入学习与低秩近似（JELLA）框架。JELLA 框架用一组低秩矩阵逼近不完备数据，并通过线性变换学习一个完整且公共的嵌入。若干现有 IML 方法可统一为该框架的特例。更有趣的是，一些基于线性变换的完备多视图方法可在该框架指导下直接适配于 IML。因此，JELLA 框架提升了处理不完备多视图数据的效率，并弥合了完备多视图学习与 IML 之间的鸿沟。此外，JELLA 框架可为开发新算法提供指导。作为示例，我们在该框架内提出基于块对角表示的不完备多视图学习（IML-BDR）方法。假设所采样样本具有近似线性子空间结构，IML-BDR 利用块对角结构先验学习完整嵌入，从而获得更正确的聚类。我们设计了带有逐次超松弛（Successive Over-Relaxation）优化技术的收敛交替迭代算法用于优化。在多个数据集上的实验结果证明了 IML-BDR 的有效性。
引用
@article{arxiv.1812.10012,
title = {Joint Embedding Learning and Low-Rank Approximation: A Framework for Incomplete Multi-view Learning},
author = {Hong Tao and Chenping Hou and Dongyun Yi and Jubo Zhu and Dewen Hu},
journal= {arXiv preprint arXiv:1812.10012},
year = {2019}
}