論文の概要: Multi-view Orthonormalized Partial Least Squares: Regularizations and Deep Extensions

• arxiv url: http://arxiv.org/abs/2007.05028v1
• Date: Thu, 9 Jul 2020 19:00:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 03:13:54.612797
• Title: Multi-view Orthonormalized Partial Least Squares: Regularizations and Deep Extensions
• Title（参考訳）: 多視点直交正規化部分最小方形:正規化と深部拡張
• Authors: Li Wang and Ren-Cang Li and Wen-Wei
• Abstract要約: 最小二乗を基本としたマルチビュー学習のためのサブスペース学習手法のファミリーを確立する。 全ビューで共有される共通潜在空間上の分類器を学習するための統合された多視点学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.846165479467324
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We establish a family of subspace-based learning method for multi-view learning using the least squares as the fundamental basis. Specifically, we investigate orthonormalized partial least squares (OPLS) and study its important properties for both multivariate regression and classification. Building on the least squares reformulation of OPLS, we propose a unified multi-view learning framework to learn a classifier over a common latent space shared by all views. The regularization technique is further leveraged to unleash the power of the proposed framework by providing three generic types of regularizers on its inherent ingredients including model parameters, decision values and latent projected points. We instantiate a set of regularizers in terms of various priors. The proposed framework with proper choices of regularizers not only can recast existing methods, but also inspire new models. To further improve the performance of the proposed framework on complex real problems, we propose to learn nonlinear transformations parameterized by deep networks. Extensive experiments are conducted to compare various methods on nine data sets with different numbers of views in terms of both feature extraction and cross-modal retrieval.
• Abstract（参考訳）: 最小二乗法を基本として,マルチビュー学習のためのサブスペースベース学習手法のファミリを確立する。 具体的には,正規正規化部分最小二乗法(opls)について検討し,多変量回帰と分類におけるその重要な性質について検討した。 OPLSの最小二乗再構成に基づいて,すべてのビューで共有される共通潜在空間上の分類器を学習するための統合された多視点学習フレームワークを提案する。 正規化手法は, モデルパラメータ, 決定値, 潜在投射点など, 固有成分に3種類の汎用型正規化器を提供することにより, 提案フレームワークのパワーを解き放つためにさらに活用されている。 様々な事前の観点で正規化器のセットをインスタンス化する。 正規化器を適切に選択したフレームワークは、既存のメソッドを再キャストできるだけでなく、新しいモデルを刺激することができる。 複雑な実問題に対する提案フレームワークの性能をさらに高めるため,深層ネットワークでパラメータ化された非線形変換を学習する。 特徴抽出法とクロスモーダル検索法の両方の観点から,9つのデータセットの様々な手法を異なる数のビューで比較した。

関連論文リスト

• From Bricks to Bridges: Product of Invariances to Enhance Latent Space Communication [19.336940758147442]
  異なるニューラルネットワークによって学習された表現は、モデルが同様の誘導バイアスの下で訓練されたときに構造的類似性を隠蔽することが観察されている。 我々は,不変成分の積空間を潜在表現の上に構築し,その表現に不変量の集合を直接組み込む汎用的手法を導入する。 我々は,ゼロショット縫合設定において,一貫した遅延類似性および下流性能向上を観察し,分類および再構成タスクに対するソリューションの有効性を検証した。
  論文  参考訳（メタデータ） (2023-10-02T13:55:38Z)
• Multi-View Class Incremental Learning [57.14644913531313]
  マルチビュー学習(MVL)は、下流タスクのパフォーマンスを改善するためにデータセットの複数の視点から情報を統合することで大きな成功を収めている。 本稿では,複数視点クラスインクリメンタルラーニング(MVCIL)と呼ばれる新しいパラダイムについて考察する。
  論文  参考訳（メタデータ） (2023-06-16T08:13:41Z)
• Differentiable Random Partition Models [15.51229558339278]
  本稿では,分割を推論する新しい2段階の手法を提案する。 我々の手法は、サブセット当たりの要素数を推定し、第二に、これらのサブセットを学習順序で満たすことによって機能する。 3つの異なる挑戦実験における汎用的アプローチの汎用性を強調した。
  論文  参考訳（メタデータ） (2023-05-26T11:45:10Z)
• Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
  我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。 また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
  論文  参考訳（メタデータ） (2022-11-03T08:18:27Z)
• Supervised Multivariate Learning with Simultaneous Feature Auto-grouping and Dimension Reduction [7.093830786026851]
  本稿では,クラスタ化低ランク学習フレームワークを提案する。 2つの合同行列正則化を課し、予測因子を構成する特徴を自動的にグループ化する。 低ランクなモデリングよりも解釈可能であり、変数選択における厳密な空間性仮定を緩和する。
  論文  参考訳（メタデータ） (2021-12-17T20:11:20Z)
• Exploring Complementary Strengths of Invariant and Equivariant Representations for Few-Shot Learning [96.75889543560497]
  多くの現実世界では、多数のラベル付きサンプルの収集は不可能です。 少ないショット学習はこの問題に対処するための主要なアプローチであり、目的は限られた数のサンプルの存在下で新しいカテゴリに迅速に適応することです。 幾何学的変換の一般集合に対する等分散と不変性を同時に強制する新しい訓練機構を提案する。
  論文  参考訳（メタデータ） (2021-03-01T21:14:33Z)
• 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)
• Unsupervised Multi-view Clustering by Squeezing Hybrid Knowledge from Cross View and Each View [68.88732535086338]
  本稿では,適応グラフ正規化に基づくマルチビュークラスタリング手法を提案する。 5つの多視点ベンチマークの実験結果から,提案手法が他の最先端手法をクリアマージンで上回ることを示す。
  論文  参考訳（メタデータ） (2020-08-23T08:25:06Z)
• 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)
• Learning to Select Base Classes for Few-shot Classification [96.92372639495551]
  我々は、数ショットモデルの一般化性能を示す指標として、類似度比を用いる。 次に、類似度比に対する部分モジュラー最適化問題として基底クラス選択問題を定式化する。
  論文  参考訳（メタデータ） (2020-04-01T09:55:18Z)

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。