一法多用：面向多X学习的列束模型
机器学习
2017-03-16 v2 机器学习
摘要
近来许多机器学习研究致力于利用标签、实例和数据视图之间共享的统计信息，通常称为多标签、多示例和多视图学习。其潜在前提是输入部分之间以及输出目标之间存在相关性，并且当纳入这些相关性时预测性能会提高。本文中，我们提出列束(CLB)，一种用于捕捉数据中共享统计信息的新型深度神经网络。CLB是通用的，通过仅改变输入和输出处理，相同架构可应用于各种类型的共享统计。CLB能够通过避免显式建模两两关系扩展到数千个输入部分和输出标签。我们在不同类型数据上评估CLB：(a)多标签，(b)多视图，(c)多视图/多标签以及(d)多示例。CLB在所有数据集上针对专门为每个类型设计的最先进方法展现出可比且具有竞争力的性能。
引用
@article{arxiv.1702.07021,
title = {One Size Fits Many: Column Bundle for Multi-X Learning},
author = {Trang Pham and Truyen Tran and Svetha Venkatesh},
journal= {arXiv preprint arXiv:1702.07021},
year = {2017}
}