基于结构化赫布可塑性增强融合效率的多视图增量学习

多媒体技术的快速发展彻底改变了人类的感知方式，为多视图学习铺平了道路。然而，传统的多视图学习方法针对固定数据视图的场景设计，无法模拟人脑顺序处理信号的复杂认知过程。我们的大脑结构通过复杂的前馈和反馈机制无缝整合顺序数据。相比之下，传统方法在面对跨领域数据时难以有效泛化，凸显了对能够模仿大脑适应性和动态整合能力的创新策略的需求。本文提出了一种受生物神经科学启发的多视图增量框架 MVIL，旨在模拟大脑对顺序到达的视图进行细粒度融合的过程。MVIL 包含两个基本模块：结构化赫布可塑性和突触分区学习。结构化赫布可塑性重塑权重结构以表达视图表示之间的高相关性，从而促进视图表示的细粒度融合。此外，突触分区学习通过抑制部分突触有效缓解权重的剧烈变化并保留旧知识。这些模块仿生地在新获取信息与现有知识库之间强化关键关联，从而增强网络的泛化能力。在六个基准数据集上的实验结果表明 MVIL 优于现有最先进方法。