可学习图卷积网络与特征融合用于多视图学习
计算机视觉与模式识别
2022-11-18 v1 人工智能
机器学习
摘要
在实际应用中，从多种视角描述目标的的多视图数据可提升学习算法的准确率。然而，针对多视图数据，通过近年来备受大量研究者关注的图卷积网络同时学习有判别力的节点关系与图信息的工作仍很有限。现有多数方法仅考虑邻接矩阵的加权和，而特征与图融合的联合神经网络仍待探索。为应对这些问题，本文提出一种称为可学习图卷积网络与特征融合（LGCN-FF）的联合深度学习框架，包含两阶段：特征融合网络与可学习图卷积网络。前者旨在从异构视图中学习潜在特征表示，后者通过可学习权重与称为可微收缩激活（DSA）函数的参数化激活函数探索更具判别力的图融合。所提LGCN-FF在多视图半监督分类中被验证优于多种最先进方法。
引用
@article{arxiv.2211.09155,
title = {Learnable Graph Convolutional Network and Feature Fusion for Multi-view Learning},
author = {Zhaoliang Chen and Lele Fu and Jie Yao and Wenzhong Guo and Claudia Plant and Shiping Wang},
journal= {arXiv preprint arXiv:2211.09155},
year = {2022}
}