多视图学习的 PAC-Bayes 分析
机器学习
2016-06-07 v2 人工智能
机器学习
摘要
本文提出了八个 PAC-Bayes 界，用于分析多视图分类器的泛化性能。这些界采用了依赖于数据的高斯先验，以强调具有高视图一致性的分类器。前两个界的先验中心为原点，而第三和第四个界的先验中心由一个依赖于数据的矢量给出。获得这些界的一项关键技术是两个推导出的对数行列式不等式，其区别在于是否涉及数据的维数。第五和第六个界的中心是在训练集的一个独立子集上计算的。最后两个界利用未标记数据来表示视图一致性，因此适用于半监督多视图学习。我们在基准数据上评估了所有提出的多视图 PAC-Bayes 界，并将其与之前的单视图 PAC-Bayes 界进行了比较。文中讨论了多视图界的有用性和性能。
引用
@article{arxiv.1406.5614,
title = {PAC-Bayes Analysis of Multi-view Learning},
author = {Shiliang Sun and John Shawe-Taylor and Liang Mao},
journal= {arXiv preprint arXiv:1406.5614},
year = {2016}
}
备注
35 pages