鲁棒群子空间恢复：多模态数据融合的新方法
机器学习
2020-06-19 v1 机器学习
摘要
鲁棒子空间恢复算法最近被作为一种有原则且数值高效的算法引入，用于揭示数据中潜在的子空间并集结构。与简单的线性模型相比，子空间并集能够识别数据集中更复杂的趋势。我们在 RoSuRe 的基础上进行扩展，以分别探索不同数据模态的结构。我们提出了一种基于群稀性的新型多模态数据融合方法，我们称之为鲁棒群子空间恢复。所引入的框架依赖于双稀疏追踪范式和非光滑优化技术，从不同数据模态的时间序列中学习一种新的联合表示，同时遵循潜在的 UoS 模型。随后，我们整合所获得的结构以形成统一的子空间结构。所提出的方法利用不同模态数据之间的结构依赖性来对相关目标对象进行聚类。基于音频和磁数据的实验中未标记传感器数据的融合结果表明，我们的方法与其他最先进的子空间聚类方法相比具有竞争力。所得的 UoS 结构被用于分类新观测的数据点，突显了所提出方法的抽象能力。
引用
@article{arxiv.2006.10657,
title = {Robust Group Subspace Recovery: A New Approach for Multi-Modality Data Fusion},
author = {Sally Ghanem and Ashkan Panahi and Hamid Krim and Ryan A. Kerekes},
journal= {arXiv preprint arXiv:2006.10657},
year = {2020}
}
备注
10 pages