基于规则模型的多视图模糊表示学习
人工智能
2023-09-21 v1
摘要
无监督多视图表示学习已被广泛研究以挖掘多视图数据。然而,一些关键挑战仍然存在。一方面,现有方法无法全面探索多视图数据,因为它们通常学习视图间的公共表示,而多视图数据既包含视图间的公共信息,也包含各视图内的特有信息。另一方面,为挖掘数据的非线性关系,核方法或神经网络方法常用于多视图表示学习。然而,这些方法缺乏可解释性。为此,本文提出一种基于可解释 Takagi-Sugeno-Kang (TSK) 模糊系统(MVRL_FS)的新多视图模糊表示学习方法。该方法从两方面实现多视图表示学习。首先,将多视图数据变换到高维模糊特征空间,同时探索视图间的公共信息与各视图的特有信息。其次,提出一种基于 L_(2,1)-范数回归的新正则化方法以挖掘视图间的一致性信息,同时通过拉普拉斯图保留数据的几何结构。最后,在多个基准多视图数据集上进行大量实验以验证所提方法的优越性。
引用
@article{arxiv.2309.11473,
title = {Multi-view Fuzzy Representation Learning with Rules based Model},
author = {Wei Zhang and Zhaohong Deng and Te Zhang and Kup-Sze Choi and Shitong Wang},
journal= {arXiv preprint arXiv:2309.11473},
year = {2023}
}
备注
This work has been accepted by IEEE Transactions on Knowledge and Data Engineering