論文の概要: Randomized Kernel Multi-view Discriminant Analysis

• arxiv url: http://arxiv.org/abs/2004.01143v1
• Date: Thu, 2 Apr 2020 17:15:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 09:48:01.837721
• Title: Randomized Kernel Multi-view Discriminant Analysis
• Title（参考訳）: ランダム化カーネルマルチビュー判別分析
• Authors: Xiaoyun Li, Jie Gui, Ping Li
• Abstract要約: MvDA(Multi-view discriminant analysis)は,多視点サブスペース学習法である。 カーネルマルチビュー判別分析(KMvDA)と呼ばれるマルチビュー判別分析のカーネルバージョンを提案する。
• 参考スコア（独自算出の注目度）: 41.989132939870146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many artificial intelligence and computer vision systems, the same object can be observed at distinct viewpoints or by diverse sensors, which raises the challenges for recognizing objects from different, even heterogeneous views. Multi-view discriminant analysis (MvDA) is an effective multi-view subspace learning method, which finds a discriminant common subspace by jointly learning multiple view-specific linear projections for object recognition from multiple views, in a non-pairwise way. In this paper, we propose the kernel version of multi-view discriminant analysis, called kernel multi-view discriminant analysis (KMvDA). To overcome the well-known computational bottleneck of kernel methods, we also study the performance of using random Fourier features (RFF) to approximate Gaussian kernels in KMvDA, for large scale learning. Theoretical analysis on stability of this approximation is developed. We also conduct experiments on several popular multi-view datasets to illustrate the effectiveness of our proposed strategy.
• Abstract（参考訳）: 多くの人工知能やコンピュータビジョンシステムでは、異なる視点や多様なセンサーで同じ物体を観察することができ、異なる、あるいは異質な視点から物体を認識することが困難になる。 MvDA(Multi-view discriminant analysis)は、複数のビューからオブジェクト認識のための複数のビュー固有の線形射影を非ペアワイズに学習することにより、識別可能な共通部分空間を求める、効果的なマルチビューサブスペース学習法である。 本稿では,マルチビュー判別分析のカーネルバージョンであるkernel multi-view discriminant analysis(kmvda)を提案する。 また,カーネル法でよく知られた計算ボトルネックを克服するために,ランダムフーリエ特徴(rff)を用いてkcvdaのガウス核を近似し,大規模学習を行う性能について検討した。 この近似の安定性に関する理論的解析を開発した。 また,提案手法の有効性を示すために,複数の一般的なマルチビューデータセットの実験を行った。

関連論文リスト

• Advancing Person Re-Identification: Tensor-based Feature Fusion and Multilinear Subspace Learning [0.6829272097221595]
  特徴表現と多線形部分空間学習を組み合わせた新しいPRe-IDシステムを提案する。 提案手法は,CNN(Creative Conrimial Neural Networks)を強力な特徴抽出器として活用する。 提案手法は,VIPeR,GRID,PRID450の3つのデータセットを用いて実験を行うことにより評価する。
  論文  参考訳（メタデータ） (2023-12-24T16:19:22Z)
• Scalable Randomized Kernel Methods for Multiview Data Integration and Prediction [4.801208484529834]
  複数のソースからのデータを協調的に関連づけるスケーラブルなランダム化カーネル手法を開発し、同時に結果を予測するか、ユニットを2つ以上のクラスに分類する。 提案手法は,多視点データにおける非線形関係を,臨床結果の予測とともにモデル化し,ビュー間の関係に最も寄与する変数や変数群を同定する。
  論文  参考訳（メタデータ） (2023-04-10T16:14:42Z)
• Multi-view Data Visualisation via Manifold Learning [0.03222802562733786]
  本論文は, 学生のT分散SNE, LLE, ISOMAPの拡張を提案し, 多視点データの次元的縮小と可視化を可能にする。 マルチビューマニホールド学習手法で得られた低次元埋め込みをK平均アルゴリズムに組み込むことにより、サンプルのクラスタを正確に特定できることを示した。
  論文  参考訳（メタデータ） (2021-01-17T19:54:36Z)
• Orthogonal Multi-view Analysis by Successive Approximations via Eigenvectors [7.870955752916424]
  このフレームワークは、複数のビューに相関関係、教師付き識別能力、距離保存を統合する。 特殊ケースとして既存のモデルがいくつか含まれているだけでなく、新しいモデルにもインスピレーションを与えている。 多視点識別分析と多視点多ラベル分類のための実世界のデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2020-10-04T17:16:15Z)
• Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
  本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
  論文  参考訳（メタデータ） (2020-09-28T18:30:14Z)
• Spectral Analysis Network for Deep Representation Learning and Image Clustering [53.415803942270685]
  本稿ではスペクトル分析に基づく教師なし深層表現学習のための新しいネットワーク構造を提案する。 パッチレベルで画像間の局所的な類似性を識別できるため、閉塞に対してより堅牢である。 クラスタリングに親しみやすい表現を学習し、データサンプル間の深い相関を明らかにすることができる。
  論文  参考訳（メタデータ） (2020-09-11T05:07:15Z)
• Embedded Deep Bilinear Interactive Information and Selective Fusion for Multi-view Learning [70.67092105994598]
  本稿では,上記の2つの側面に着目した,新しい多視点学習フレームワークを提案する。 特に、さまざまな深層ニューラルネットワークをトレーニングして、様々なビュー内表現を学習する。 6つの公開データセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-07-13T01:13:23Z)
• Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
  多視点問題は潜在変数モデルに直面することができる。 高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。 両アプローチを単一モデルにマージすることを提案する。
  論文  参考訳（メタデータ） (2020-06-01T14:25:38Z)
• Variational Inference for Deep Probabilistic Canonical Correlation Analysis [49.36636239154184]
  線形多視点層と深層生成ネットワークを観測モデルとして構成した深部確率的多視点モデルを提案する。 潜在確率多視点層の後方分布を近似した効率的な変分推論法を開発した。 任意の数のビューを持つモデルへの一般化も提案されている。
  論文  参考訳（メタデータ） (2020-03-09T17:51:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。