論文の概要: Embedded Deep Bilinear Interactive Information and Selective Fusion for Multi-view Learning

• arxiv url: http://arxiv.org/abs/2007.06143v1
• Date: Mon, 13 Jul 2020 01:13:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 23:14:20.675039
• Title: Embedded Deep Bilinear Interactive Information and Selective Fusion for Multi-view Learning
• Title（参考訳）: 多視点学習のためのディープバイリニアインタラクティブ情報と選択融合
• Authors: Jinglin Xu, Wenbin Li, Jiantao Shen, Xinwang Liu, Peicheng Zhou, Xiangsen Zhang, Xiwen Yao, and Junwei Han
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 70.67092105994598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As a concrete application of multi-view learning, multi-view classification improves the traditional classification methods significantly by integrating various views optimally. Although most of the previous efforts have been demonstrated the superiority of multi-view learning, it can be further improved by comprehensively embedding more powerful cross-view interactive information and a more reliable multi-view fusion strategy in intensive studies. To fulfill this goal, we propose a novel multi-view learning framework to make the multi-view classification better aimed at the above-mentioned two aspects. That is, we seamlessly embed various intra-view information, cross-view multi-dimension bilinear interactive information, and a new view ensemble mechanism into a unified framework to make a decision via the optimization. In particular, we train different deep neural networks to learn various intra-view representations, and then dynamically learn multi-dimension bilinear interactive information from different bilinear similarities via the bilinear function between views. After that, we adaptively fuse the representations of multiple views by flexibly tuning the parameters of the view-weight, which not only avoids the trivial solution of weight but also provides a new way to select a few discriminative views that are beneficial to make a decision for the multi-view classification. Extensive experiments on six publicly available datasets demonstrate the effectiveness of the proposed method.
• Abstract（参考訳）: 多視点学習の具体的な応用として、多視点分類は様々な視点を最適に統合することにより従来の分類方法を大幅に改善する。 従来の取り組みの多くはマルチビュー学習の優位性を示すものであるが、より強力なクロスビューインタラクティブ情報とより信頼性の高いマルチビュー融合戦略を集中的な研究に包括的に組み込むことにより、さらに改善することができる。 この目的を達成するために,上述した2つの側面を対象とする多視点分類を実現するための,新しい多視点学習フレームワークを提案する。 すなわち、様々なビュー内情報、クロスビュー多次元双線形インタラクティブ情報、および新しいビューアンサンブル機構を統合されたフレームワークにシームレスに埋め込み、最適化を通じて決定を行う。 特に、様々な深層ニューラルネットワークを訓練し、様々なビュー内表現を学習し、ビュー間の双線形関数を介して異なる双線形類似性から動的に多次元双線形インタラクティブ情報を学習する。 その後、重みの自明な解を避けるだけでなく、多視点分類の決定に有用ないくつかの識別的ビューを選択する新しい方法を提供するため、ビューウェイトのパラメータを柔軟に調整することで、複数のビューの表現を適応的に融合する。 6つの公開データセットに関する広範囲な実験が提案手法の有効性を実証している。

関連論文リスト

• Multi-view Fuzzy Representation Learning with Rules based Model [25.997490574254172]
  教師なしマルチビュー表現学習は、マルチビューデータをマイニングするために広く研究されている。 本稿では,MVRL_FSを用いた多視点ファジィ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-09-20T17:13:15Z)
• TCGF: A unified tensorized consensus graph framework for multi-view representation learning [27.23929515170454]
  本稿では,Consensus Graph Framework (TCGF) という汎用多視点表現学習フレームワークを提案する。 まず、個々のビューの表現を利用するために、既存のマルチビューワークに統一されたフレームワークを提供する。 そして、それらを高次表現としてアライメント基本の下でテンソルに積み上げ、一貫性の滑らかな伝播を可能にする。
  論文  参考訳（メタデータ） (2023-09-14T19:29:14Z)
• 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)
• Reliable Representations Learning for Incomplete Multi-View Partial Multi-Label Classification [78.15629210659516]
  本稿ではRANKという不完全なマルチビュー部分的マルチラベル分類ネットワークを提案する。 既存の手法に固有のビューレベルの重みを分解し、各サンプルのビューに品質スコアを動的に割り当てる品質対応サブネットワークを提案する。 我々のモデルは、完全なマルチビューマルチラベルデータセットを処理できるだけでなく、欠落したインスタンスやラベルを持つデータセットでも機能する。
  論文  参考訳（メタデータ） (2023-03-30T03:09:25Z)
• Cross-view Graph Contrastive Representation Learning on Partially Aligned Multi-view Data [52.491074276133325]
  マルチビュー表現学習は、過去数十年間で急速に発展し、多くの分野に応用されてきた。 本稿では,多視点情報を統合してデータアライメントを行い,潜在表現を学習する,新しいクロスビューグラフコントラスト学習フレームワークを提案する。 複数の実データを用いて実験を行い,クラスタリングおよび分類作業における提案手法の有効性を示した。
  論文  参考訳（メタデータ） (2022-11-08T09:19:32Z)
• Variational Distillation for Multi-View Learning [104.17551354374821]
  我々は,多視点表現学習における2つの重要な特徴を利用するために,様々な情報ボトルネックを設計する。 厳密な理論的保証の下で,本手法は,観察とセマンティックラベルの内在的相関の把握を可能にする。
  論文  参考訳（メタデータ） (2022-06-20T03:09:46Z)
• A unified framework based on graph consensus term for multi-view learning [5.168659132277719]
  本稿では,既存のグラフ埋め込み作業の多くを統一された公式に活用することを目的とした,新しい多視点学習フレームワークを提案する。 本手法は,グラフ埋め込み手法の多様性を維持するために,各ビューのグラフ構造を独立に探索する。 この目的のために、異なる視点の多様性と相補的な情報を同時に検討することができる。
  論文  参考訳（メタデータ） (2021-05-25T09:22:21Z)
• Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
  グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。 1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。 各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-11T03:25:25Z)
• 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)
• Multi-view Low-rank Preserving Embedding: A Novel Method for Multi-view Representation [11.91574721055601]
  本稿では,MvLPE(Multi-view Low-rank Preserving Embedding)という新しい多視点学習手法を提案する。 異なるビューを1つのセントロイドビューに統合し、インスタンス間の距離や類似性行列に基づいて、不一致項を最小化する。 6つのベンチマークデータセットの実験では、提案手法がそれよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-06-14T12:47:25Z)

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。