基于加性模型的多视图学习

在许多科学场景中，数据可以自然地划分为称为视图的变量分组。常见的例子包括生态学应用中的环境（第一视图）和遗传信息（第二视图），药物发现中的化学（第一视图）和生物学（第二视图）数据。多视图数据也出现在文本分析和蛋白质组学应用中，其中一个视图由以观测为顶点、以观测间成对相似性的加权度量作为边的图构成。此外，在这些应用的几个中，观测可以分为两组：一组是响应变量被观测到的（标记的），另一组是响应变量未被观测到的（未标记的）。同时处理视图数据并在训练中纳入未标记观测的问题被称为多视图直推学习。在这项工作中，我们引入并研究了一个用于多视图直推学习的综合广义不动点加性建模框架，其中任何视图都由一个线性平滑器表示。使用广义Akaike信息准则讨论了视图选择问题，该准则提供了一种测试每个视图贡献的方法。我们提供了一种高效的实现，用于通过回拟合和局部评分类型算法来拟合这些模型，这些算法已调整为适用于半监督基于图的学习。所提出的技术在合成和真实数据集上进行了评估，并显示出与最先进的协同训练和基于图的技术相比具有竞争力。