两步分层多视图学习方法的 PAC-Bayesian 分析
机器学习
2017-07-14 v3
摘要
我们在 PAC-Bayesian 框架下研究具有两个以上视图的两级多视图学习。这种方法有时被称为后期融合，包括在第一级顺序学习多个特定于视图的分类器，然后在第二级组合这些特定于视图的分类器。我们的主要理论结果是多数投票风险的一个泛化界，该界展现了特定于视图的分类器预测中的一项多样性项。由此结果可知，控制多样性与准确性之间的权衡是多视图学习的关键要素，这补充了多视图学习中的其他结果。最后，我们在从 Reuters RCV1/RCV2 集合提取的多视图数据集上实验了我们的原理。
关键词
引用
@article{arxiv.1606.07240,
title = {PAC-Bayesian Analysis for a two-step Hierarchical Multiview Learning Approach},
author = {Anil Goyal and Emilie Morvant and Pascal Germain and Massih-Reza Amini},
journal= {arXiv preprint arXiv:1606.07240},
year = {2017}
}