基于联合标签预测的半监督自适应概念分解用于鲁棒数据表示
计算机视觉与模式识别
2019-05-29 v1
摘要
约束概念分解（CCF）通过引入标签信息作为附加约束，相比概念分解（CF）具有更强的表示能力，但它无法对未标注数据进行恰当的分类与聚类。直接最小化原始数据与其重构之间的差异能使 CCF 建模较小的噪声扰动，但对严重的稀疏误差不鲁棒。此外，CCF 不能显式地保留新表示空间中的流形结构，尤其无法以自适应方式实现。本文提出一种基于联合标签预测的鲁棒半监督自适应概念分解（RS2ACF）框架。为获得鲁棒表示，RS2ACF 放宽分解约束，使其同时对小的逐元素噪声稳定且对稀疏误差鲁棒。为丰富先验知识以增强判别性，RS2ACF 明确利用标注数据的类别信息，并通过联合学习未标注数据的显式标签指示符将其传播至未标注数据。借助该标签指示符，RS2ACF 能确保具有相同预测标签的未标注数据被映射到特征空间中的同一类。此外，RS2ACF 在标注与未标注数据的新表示及预测标签上引入联合邻域重构误差，从而能在表示空间与标签空间中同时显式且自适应地保留流形结构。由于自适应性，可避免确定邻域大小或核宽度的棘手过程。在公开数据库上的大量结果表明，与其他相关方法相比，我们的 RS2ACF 能提供最先进（SOTA）的数据表示。
引用
@article{arxiv.1905.10572,
title = {Joint Label Prediction based Semi-Supervised Adaptive Concept Factorization for Robust Data Representation},
author = {Zhao Zhang and Yan Zhang and Guangcan Liu and Jinhui Tang and Shuicheng Yan and Meng Wang},
journal= {arXiv preprint arXiv:1905.10572},
year = {2019}
}
备注
Accepted at IEEE TKDE