基于 Bregman 散度最小化的加权多数投票多视图学习
机器学习
2018-05-28 v1 机器学习
摘要
我们研究观测数据具有多视图时的分类器组合问题。我们的方法在一组基投票器上联合学习特定视图的加权多数投票分类器（即针对每个视图），并在这些特定视图的加权多数投票分类器集合之上学习第二个加权多数投票分类器。我们证明，给定多视图训练集时，最终多数投票的经验风险最小化可转化为 Bregman 散度的最小化。这使我们能够推导出一种用于学习多视图模型的并行更新优化算法。我们对算法进行了实验研究，特别关注训练集规模对多视图学习结果的影响。实验表明，我们的方法能够克服标注信息不足的问题。
引用
@article{arxiv.1805.10212,
title = {Multiview Learning of Weighted Majority Vote by Bregman Divergence Minimization},
author = {Anil Goyal and Emilie Morvant and Massih-Reza Amini},
journal= {arXiv preprint arXiv:1805.10212},
year = {2018}
}