論文の概要: Random Forest for Dissimilarity-based Multi-view Learning

• arxiv url: http://arxiv.org/abs/2007.08377v1
• Date: Thu, 16 Jul 2020 14:52:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 22:12:44.534997
• Title: Random Forest for Dissimilarity-based Multi-view Learning
• Title（参考訳）: 異種多視点学習のためのランダムフォレスト
• Authors: Simon Bernard, Hongliu Cao, Robert Sabourin, Laurent Heutte
• Abstract要約: 本研究では、ランダムフォレスト近接測度を用いて、相似性表現を構築することができることを示す。 次に、ビュー固有の相似性表現をよりうまく組み合わせるための動的ビュー選択法を提案する。
• 参考スコア（独自算出の注目度）: 8.185807285320553
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many classification problems are naturally multi-view in the sense their data are described through multiple heterogeneous descriptions. For such tasks, dissimilarity strategies are effective ways to make the different descriptions comparable and to easily merge them, by (i) building intermediate dissimilarity representations for each view and (ii) fusing these representations by averaging the dissimilarities over the views. In this work, we show that the Random Forest proximity measure can be used to build the dissimilarity representations, since this measure reflects similarities between features but also class membership. We then propose a Dynamic View Selection method to better combine the view-specific dissimilarity representations. This allows to take a decision, on each instance to predict, with only the most relevant views for that instance. Experiments are conducted on several real-world multi-view datasets, and show that the Dynamic View Selection offers a significant improvement in performance compared to the simple average combination and two state-of-the-art static view combinations.
• Abstract（参考訳）: 多くの分類問題は、データが複数の異種記述によって記述されるという意味で自然に多ビューである。 このようなタスクに対して、相似性戦略は、異なる記述を同等にし、それらを簡単にマージする効果的な方法である。 (i)各視点の中間相似表現を構築すること、及び (ii)ビューの相違点を平均化することにより、これらの表現を融合する。 本研究では,Random Forest 近距離測度が,特徴とクラスメンバシップの類似性を反映しているため,相似性表現の構築に有効であることを示す。 次に,ビュー固有の不類似性表現をよりよく結合する動的ビュー選択法を提案する。 これにより、各インスタンスに対して、そのインスタンスの最も関連するビューのみを使用して、予測する決定を下すことができる。 複数の実世界のマルチビューデータセットで実験を行い、Dynamic View Selectionは、単純な平均の組み合わせと最先端の静的ビューの組み合わせの2つと比較して、パフォーマンスが大幅に向上することを示した。

関連論文リスト

• Disentangling Multi-view Representations Beyond Inductive Bias [32.15900989696017]
  本稿では,表現の解釈可能性と一般化性を両立させる新しい多視点表現分離手法を提案する。 提案手法は,クラスタリングと分類性能において,12種類の比較手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T09:09:28Z)
• Deep Incomplete Multi-view Clustering with Cross-view Partial Sample and Prototype Alignment [50.82982601256481]
  深層不完全なマルチビュークラスタリングのためのクロスビュー部分サンプルとプロトタイプアライメントネットワーク(CPSPAN)を提案する。 従来のコントラストベースの手法とは異なり、インスタンスとインスタンスの対応構築を導くために、ペア観測データアライメントを「プロキシ監視信号」として採用する。
  論文  参考訳（メタデータ） (2023-03-28T02:31:57Z)
• 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)
• MORI-RAN: Multi-view Robust Representation Learning via Hybrid Contrastive Fusion [4.36488705757229]
  多視点表現学習は、クラスタリングや分類といった多くの多視点タスクに不可欠である。 ラベルのないデータから堅牢なビュー-共通表現を抽出するハイブリッドコントラスト融合アルゴリズムを提案する。 実験の結果,提案手法は実世界の4つのデータセットにおいて,12の競合的マルチビュー手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-08-26T09:58:37Z)
• Fast Multi-view Clustering via Ensembles: Towards Scalability, Superiority, and Simplicity [63.85428043085567]
  本稿では,アンサンブル(FastMICE)アプローチによる高速なマルチビュークラスタリングを提案する。 ランダムなビュー群の概念は、多目的なビューワイズ関係を捉えるために提示される。 FastMICEは、ほぼ線形時間と空間の複雑さを持ち、データセット固有のチューニングは不要である。
  論文  参考訳（メタデータ） (2022-03-22T09:51:24Z)
• 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)
• V3H: View Variation and View Heredity for Incomplete Multi-view Clustering [65.29597317608844]
  不完全なマルチビュークラスタリングは、これらの不完全なビューを統合する効果的な方法である。 本稿では,この制限を克服するために,新しいビューバージョニング・ビュー・ジェレダリティ・アプローチ(V3H)を提案する。 V3Hは、不完全なマルチビューデータから一貫した情報とユニークな情報を同時に学習するためのクラスタリングアルゴリズムに遺伝学を導入する最初の研究である可能性がある。
  論文  参考訳（メタデータ） (2020-11-23T03:24:48Z)
• 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)
• 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)
• 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。