論文の概要: Uncorrelated Semi-paired Subspace Learning
- arxiv url: http://arxiv.org/abs/2011.11124v1
- Date: Sun, 22 Nov 2020 22:14:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 09:00:53.224697
- Title: Uncorrelated Semi-paired Subspace Learning
- Title(参考訳): 非相関半ペアサブスペース学習
- Authors: Li Wang, Lei-Hong Zhang, Chungen Shen, and Ren-Cang Li
- Abstract要約: 一般化された非相関なマルチビューサブスペース学習フレームワークを提案する。
フレームワークの柔軟性を示すために,教師なし学習と教師なし学習の両方のための5つの新しいセミペアモデルをインスタンス化する。
提案するモデルは,ベースラインよりも競争力が高い。
- 参考スコア(独自算出の注目度): 7.20500993803316
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-view datasets are increasingly collected in many real-world
applications, and we have seen better learning performance by existing
multi-view learning methods than by conventional single-view learning methods
applied to each view individually. But, most of these multi-view learning
methods are built on the assumption that at each instance no view is missing
and all data points from all views must be perfectly paired. Hence they cannot
handle unpaired data but ignore them completely from their learning process.
However, unpaired data can be more abundant in reality than paired ones and
simply ignoring all unpaired data incur tremendous waste in resources. In this
paper, we focus on learning uncorrelated features by semi-paired subspace
learning, motivated by many existing works that show great successes of
learning uncorrelated features. Specifically, we propose a generalized
uncorrelated multi-view subspace learning framework, which can naturally
integrate many proven learning criteria on the semi-paired data. To showcase
the flexibility of the framework, we instantiate five new semi-paired models
for both unsupervised and semi-supervised learning. We also design a successive
alternating approximation (SAA) method to solve the resulting optimization
problem and the method can be combined with the powerful Krylov subspace
projection technique if needed. Extensive experimental results on multi-view
feature extraction and multi-modality classification show that our proposed
models perform competitively to or better than the baselines.
- Abstract(参考訳): 多くの実世界のアプリケーションで多視点データセットが収集され,従来の一視点学習法よりも既存の多視点学習法の方が学習性能が向上している。
しかし、これらのマルチビュー学習の手法のほとんどは、各インスタンスでビューが失われず、すべてのビューからのすべてのデータポイントが完全にペアリングされなければならないという仮定に基づいている。
したがって、ペアのないデータを処理できないが、学習プロセスから完全に無視できる。
しかし、ペアデータよりもペアデータの方が現実に豊富であり、単にペアデータのすべてがリソースの膨大な浪費を無視するだけである。
本稿では,非相関的特徴の学習を成功させる多くの既存の著作に動機づけられた,半ペア化部分空間学習による非相関的特徴の学習に着目する。
具体的には,半ペアデータに多くの実績のある学習基準を自然に統合できる汎用的非相関多視点サブスペース学習フレームワークを提案する。
フレームワークの柔軟性を示すために,教師なし学習と教師なし学習の両方のための5つの新しいセミペアモデルをインスタンス化する。
また、結果の最適化問題を解決するために逐次交互近似法(SAA)を設計し、必要に応じて強力なKrylov部分空間投影法と組み合わせることができる。
マルチビュー特徴抽出とマルチモダリティ分類の大規模な実験結果から,提案モデルがベースラインに比較して高い性能を示した。
関連論文リスト
- Partial Multi-View Clustering via Meta-Learning and Contrastive Feature Alignment [13.511433241138702]
部分的マルチビュークラスタリング (PVC) は、実世界のアプリケーションにおけるデータ分析における実用的な研究課題である。
既存のクラスタリング手法は、不完全なビューを効果的に扱うのに苦労し、サブ最適クラスタリング性能に繋がる。
非完全多視点データにおける潜在的特徴の一貫性を最大化することを目的とした、コントラスト学習に基づく新しい双対最適化フレームワークを提案する。
論文 参考訳(メタデータ) (2024-11-14T19:16:01Z) - Incomplete Contrastive Multi-View Clustering with High-Confidence
Guiding [7.305817202715752]
高信頼誘導(ICMVC)を用いた非完全コントラストマルチビュークラスタリング手法を提案する。
まず、欠落した値問題に対処するために、マルチビュー整合関係転送とグラフ畳み込みネットワークを提案する。
第2に、補完情報を活用するために、インスタンスレベルの注意融合と高信頼誘導を提案する。
論文 参考訳(メタデータ) (2023-12-14T07:28:41Z) - 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) - Latent Heterogeneous Graph Network for Incomplete Multi-View Learning [57.49776938934186]
非完全多視点学習のための新しい遅延不均質グラフネットワーク(LHGN)を提案する。
統一された潜在表現を学習することにより、異なる視点間の一貫性と相補性の間のトレードオフが暗黙的に実現される。
学習とテストフェーズの不整合を回避するため,分類タスクのグラフ学習に基づくトランスダクティブ学習手法を適用した。
論文 参考訳(メタデータ) (2022-08-29T15:14:21Z) - TSK Fuzzy System Towards Few Labeled Incomplete Multi-View Data
Classification [24.01191516774655]
これらの課題に対処するために,トランスダクティブ半教師付きマルチビューTSKファジィシステムモデリング法(SSIMV_TSK)を提案する。
提案手法は,未知のビュー計算,ラベルなしデータの擬似ラベル学習,ファジィシステムモデリングをひとつのプロセスに統合し,解釈可能なファジィルールを持つモデルを生成する。
実データを用いた実験の結果,提案手法は最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2021-10-08T11:41:06Z) - Error-Robust Multi-View Clustering: Progress, Challenges and
Opportunities [67.54503077766171]
ラベル情報は取得に費用がかかることが多いため、マルチビュークラスタリングが注目されている。
明示的なエラー除去定式化によるエラーロバストマルチビュークラスタリングアプローチは、5つの広範な研究カテゴリに構成できる。
この調査は、マルチビューデータに対するエラーロストクラスタリングの最近の進歩を要約し、レビューする。
論文 参考訳(メタデータ) (2021-05-07T04:03:02Z) - Multimodal Clustering Networks for Self-supervised Learning from
Unlabeled Videos [69.61522804742427]
本稿では,共通のマルチモーダル埋め込み空間を学習する自己監督型トレーニングフレームワークを提案する。
インスタンスレベルのコントラスト学習の概念をマルチモーダルクラスタリングステップで拡張し,モダリティ間の意味的類似性を捉える。
結果として得られる埋め込みスペースは、見えないデータセットや異なるドメインからでも、すべてのモダリティにわたるサンプルの検索を可能にする。
論文 参考訳(メタデータ) (2021-04-26T15:55:01Z)
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。