针对结构化与非相同输出的多视图学习
机器学习
2012-06-18 v1 机器学习
摘要
在许多机器学习问题中，有标签的训练数据有限，而无标签数据充足。其中一些问题中的实例可以分解为多个视图，每个视图几乎足以确定正确的标签。在本文中，我们提出了一种新的概率多视图学习算法，该算法利用视图间的随机一致性作为正则化手段。我们的算法适用于结构化和非结构化问题，并能轻松推广至部分一致性场景。对于完全一致性情况，我们的算法最小化各视图模型之间的 Bhattacharyya 距离，并在多个平面和结构化分类问题上表现优于 CoBoosting 和双视图感知机。
引用
@article{arxiv.1206.3256,
title = {Multi-View Learning over Structured and Non-Identical Outputs},
author = {Kuzman Ganchev and Joao Graca and John Blitzer and Ben Taskar},
journal= {arXiv preprint arXiv:1206.3256},
year = {2012}
}
备注
Appears in Proceedings of the Twenty-Fourth Conference on Uncertainty in Artificial Intelligence (UAI2008)