基于协同矩阵分解的多视图多示例多标签学习
机器学习
2019-05-16 v2 机器学习
摘要
多视图多示例多标签学习(M3L)处理包含不同示例、以不同特征视图表示并标注多个标签的复杂对象。现有 M3L 解法仅部分挖掘对象(或包)、示例与标签之间的内部或相互关系，而这些关系可为 M3L 提供重要的上下文信息。因此，它们性能可能受限。本文提出一种基于协同矩阵分解的解法 M3Lcmf。M3Lcmf 首先利用由包、示例和标签节点组成的异质网络，通过多个关系数据矩阵编码不同类型的关系。为保持数据矩阵的内在结构，M3Lcmf 协同地将它们分解为低秩矩阵，挖掘包、示例与标签间的潜在关系，并有选择地合并数据矩阵。进一步引入一种聚合方案，将示例级标签聚合成包级并引导分解。在基准数据集上的实证研究表明，M3Lcmf 在示例级与包级预测上均优于其他相关竞争解法。
引用
@article{arxiv.1905.05061,
title = {Multi-View Multi-Instance Multi-Label Learning based on Collaborative Matrix Factorization},
author = {Yuying Xing and Guoxian Yu and Carlotta Domeniconi and Jun Wang and Zili Zhang and Maozu Guo},
journal= {arXiv preprint arXiv:1905.05061},
year = {2019}
}
备注
8 pages, 8 figures, uses aaai19.sty, accepted to AAAI2019