不确定性感知的多视图表示学习

通过挖掘不同数据视图间潜在的互补信息来从多视图学习，可赋予表示更强的表达能力。然而，高维特征往往含有噪声，且此外数据质量在不同样本（甚至不同视图）间通常存在差异，即某一视图对某个样本可能具信息量而对另一样本则不然。因此，在无监督设定下整合多视图噪声数据极具挑战。传统多视图方法要么简单平等对待各视图，要么将不同视图权重调为固定值，不足以捕捉多视图数据中的动态噪声。本工作中，我们设计了一种新颖的无监督多视图学习方法，称为动态不确定性感知网络（DUA-Nets）。在从生成视角估计的数据不确定性引导下，多视图固有信息被整合以获得无噪声表示。借助不确定性，DUA-Nets依据数据质量对各个样本的每个视图加权，从而充分利用高质量样本（或视图），同时减轻噪声样本（或视图）的影响。我们的模型在大量实验中取得优越性能，并展现出对噪声数据的鲁棒性。