用于类别表示的无监督异质耦合学习
机器学习
2020-07-28 v1 机器学习
摘要
复杂的类别数据通常具有属性与属性值之间以及对象之间的异质层次耦合关系。这种值到对象的耦合是异质的，具有互补和不一致的交互和分布。现有关于无标签类别数据表示的研究有限，忽略了异质和层次耦合，低估了数据特征和复杂性，过度使用了冗余信息等。无标签类别数据的深度表示学习具有挑战性，需要监督这种值到对象的耦合、互补性和不一致性，并且需要大量数据、解耦和高计算能力。本文介绍了一种浅层但强大的无监督异质耦合学习方法（UNTIE），通过解耦耦合之间的交互并揭示每种耦合类型中嵌入的异质分布，来表示耦合的类别数据。UNTIE针对核k-means目标函数进行高效优化，用于异质和层次值到对象耦合的无监督表示学习。理论分析表明，UNTIE能够以最大可分离性表示类别数据，同时有效表示异质耦合并揭示它们在类别数据中的作用。在25个具有多样化特征的类别数据集上，UNTIE学习到的表示在性能上显著优于最先进的类别表示和深度表示模型。
引用
@article{arxiv.2007.10720,
title = {Unsupervised Heterogeneous Coupling Learning for Categorical Representation},
author = {Chengzhang Zhu and Longbing Cao and Jianping Yin},
journal= {arXiv preprint arXiv:2007.10720},
year = {2020}
}