联合学习无监督多视图特征与实例共选择及跨视图插补
机器学习
2025-12-18 v1
摘要
特征与实例共选择旨在通过识别最具信息量的特征和实例来同时降低特征维度和样本大小，近年来引起了广泛关注。然而，在处理无标签的不完整多视图数据时，其中某些样本在某些视图中缺失，现有方法通常首先插补缺失数据，然后将所有视图拼接成单个数据集以进行后续的共选择。这种策略将共选择和缺失数据插补视为两个独立的过程，忽略了它们之间潜在的相互作用。共选择中提取的样本间关系可以辅助插补，而插补反过来又增强了共选择性能。此外，简单合并多视图数据无法捕捉视图间的互补信息，最终限制了共选择的有效性。为了解决这些问题，我们提出了一种新的共选择方法，称为联合学习无监督多视图特征与实例共选择及跨视图插补 (JUICE)。JUICE 首先利用可用观测重构不完整的多视图数据，将缺失数据恢复与特征和实例共选择统一在一个框架中。然后，JUICE 利用跨视图邻域信息来学习样本间关系，并在重构过程中进一步细化缺失值的插补。这使得可以选择更具代表性的特征和实例。大量实验表明 JUICE 优于最先进的方法。
引用
@article{arxiv.2512.15574,
title = {Joint Learning of Unsupervised Multi-view Feature and Instance Co-selection with Cross-view Imputation},
author = {Yuxin Cai and Yanyong Huang and Jinyuan Chang and Dongjie Wang and Tianrui Li and Xiaoyi Jiang},
journal= {arXiv preprint arXiv:2512.15574},
year = {2025}
}