多类型对象多视图多示例多标签学习
机器学习
2020-10-07 v1 机器学习
摘要
多类型对象多视图多示例多标签学习（M4L）处理相互关联的多类型对象（或包），这些对象由多样示例构成，以异构特征视图表示，并标注有一组非互斥但语义相关的标签。M4L 比典型的多视图多示例多标签学习（M3L）更通用且更强有力，后者仅容纳单类型包，缺乏联合建模物理世界中自然相互关联的多类型对象的能力。为应对这一新颖且具挑战性的学习任务，我们开发了基于联合矩阵分解的解决方案（M4L-JMF）。具体而言，M4L-JMF 首先将多类型包之间的多样属性与多种 inter(intra)-关联编码入各自的数据矩阵，然后联合分解这些矩阵为低秩矩阵，以探索每个包及其示例（若有）的复合潜在表示。此外，它引入分发与聚合项，以连贯方式将包的标签分发至各示例，并反向将示例的标签聚合至其所属包。在基准数据集上的实验结果表明，针对这一新颖问题，M4L-JMF 取得了显著优于对现有 M3L 方案简单改造的结果。
引用
@article{arxiv.2010.02539,
title = {Multi-typed Objects Multi-view Multi-instance Multi-label Learning},
author = {Yuanlin Yang and Guoxian Yu and Jun Wang and Carlotta Domeniconi and Xiangliang Zhang},
journal= {arXiv preprint arXiv:2010.02539},
year = {2020}
}
备注
ICDM2020