多模态稀疏贝叶斯字典学习
机器学习
2019-05-30 v3 机器学习
摘要
本文解决多模态数据集（即来自多个数据源收集的数据集）的字典学习问题。我们提出一种称为多模态稀疏贝叶斯字典学习（MSBDL）的算法。MSBDL 通过联合稀疏约束利用所有可用数据模态的信息。其基础框架为从业者提供了相当大的灵活性，并解决了现有多模态字典学习方法的诸多不足。特别地，该过程包括超参数的自动调优，并且其独特之处在于允许每个数据模态的字典具有不同的基数，这在各模态数据维度不同的情况下是一项重要特征。MSBDL 具有可扩展性，并可用于监督学习环境。我们给出了与 MSBDL 收敛性相关的理论结果，数值结果证明了 MSBDL 在合成与真实数据集上相对于现有方法的优越性能。
引用
@article{arxiv.1804.03740,
title = {Multimodal Sparse Bayesian Dictionary Learning},
author = {Igor Fedorov and Bhaskar D. Rao},
journal= {arXiv preprint arXiv:1804.03740},
year = {2019}
}