基于不确定性感知的多视图多标签特征选择全局视图重构
机器学习
2025-03-19 v1 计算机视觉与模式识别
摘要
近年来，多视图多标签学习（MVML）因其接近现实场景而受到关注。然而，如何选择信息丰富的特征以确保性能和效率仍是 MVML 中的重要挑战。现有方法通常分别从一致性部分和互补性部分提取信息，可能导致因边界不清晰而产生噪声。本文从全局视图重构的角度提出了一个统一模型。此外，虽然特征选择方法可以辨别特征的重要性，但通常会忽略样本的不确定性，而这种不确定性在现实场景中很常见。为此，我们在重构过程中融入样本不确定性的感知，以提高可信度。因此，通过样本之间的图结构、样本置信度以及视图关系来重构全局视图。在重构视图与标签矩阵之间建立准确的映射。实验结果表明，我们的方法在多视图数据集上表现出优越的性能。
引用
@article{arxiv.2503.14024,
title = {Uncertainty-Aware Global-View Reconstruction for Multi-View Multi-Label Feature Selection},
author = {Pingting Hao and Kunpeng Liu and Wanfu Gao},
journal= {arXiv preprint arXiv:2503.14024},
year = {2025}
}
备注
9 pages,5 figures, accept in AAAI 25