多视图完整空间学习
计算机视觉与模式识别
2019-04-05 v1
摘要
实际中可假设单个视图不太可能足以进行有效的多视图学习。因此，多视图信息的融合既有价值又必要。本文提出多视图完整空间学习（MISL）算法，该算法融合多个视图中编码的互补信息以发现数据的潜在完整表示。尽管每个视图自身不足，但我们理论上证明，通过组合多个视图可获得丰富信息用于潜在完整空间学习。采用柯西损失（统计学习中的一种技术）作为误差度量增强了对离群点的鲁棒性。我们提出多视图稳定性的新定义，并基于多视图稳定性与 Rademacher 复杂度推导出泛化误差界，表明多视图间的互补性有益于稳定性与泛化能力。MISL 使用一种新颖的迭代重加权残差（IRR）技术高效优化，其收敛性得到了理论分析。在合成数据与真实世界数据集上的实验表明，MISL 是一种适用于实际应用的有效且有前景的算法。
引用
@article{arxiv.1904.02340,
title = {Multi-View Intact Space Learning},
author = {Chang Xu and Dacheng Tao and Chao Xu},
journal= {arXiv preprint arXiv:1904.02340},
year = {2019}
}