利用标签信息的流形对齐
机器学习
2022-11-01 v2 机器学习
摘要
多域数据正变得日益普遍，并为数据科学界带来挑战与机遇。不同数据视图的整合可用于探索性数据分析，并有益于包括机器学习相关任务在内的下游分析。鉴于此，我们提出一种称为MALI（利用标签信息的流形对齐）的新型流形对齐方法，该方法学习两个不同域之间的对应关系。MALI可视为介于更常见的半监督流形对齐问题（两域间存在部分已知对应）与纯无监督情形（无已知对应）之间的中间地带。为此，MALI通过扩散过程学习两域的流形结构，然后利用离散类标签引导对齐。通过对齐两个不同域，MALI恢复出一种配对及一种揭示两域中相关样本的公共表示。此外，MALI可用于称为域适应的迁移学习问题。我们表明，在多个数据集上MALI优于当前最先进的流形对齐方法。
引用
@article{arxiv.2210.12774,
title = {Manifold Alignment with Label Information},
author = {Andres F. Duque and Myriam Lizotte and Guy Wolf and Kevin R. Moon},
journal= {arXiv preprint arXiv:2210.12774},
year = {2022}
}