論文の概要: Multi-View Non-negative Matrix Factorization Discriminant Learning via Cross Entropy Loss

• arxiv url: http://arxiv.org/abs/2201.04726v1
• Date: Sat, 8 Jan 2022 11:25:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-16 16:16:43.816638
• Title: Multi-View Non-negative Matrix Factorization Discriminant Learning via Cross Entropy Loss
• Title（参考訳）: クロスエントロピー損失による多視点非負行列分解判別学習
• Authors: Jian-wei Liu, Yuan-fang Wang, Run-kun Lu, Xionglin Luo
• Abstract要約: マルチビュー学習は、同一オブジェクトの異なるビュー間の関係を活用することによって、分類のタスク目標を達成する。 本稿では,同じデータセット上でオリジナルよりも優れた分類効果を実装し,多くの最先端アルゴリズムよりもその優位性を示す。
• 参考スコア（独自算出の注目度）: 10.157066419458738
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-view learning accomplishes the task objectives of classification by leverag-ing the relationships between different views of the same object. Most existing methods usually focus on consistency and complementarity between multiple views. But not all of this information is useful for classification tasks. Instead, it is the specific discriminating information that plays an important role. Zhong Zhang et al. explore the discriminative and non-discriminative information exist-ing in common and view-specific parts among different views via joint non-negative matrix factorization. In this paper, we improve this algorithm on this ba-sis by using the cross entropy loss function to constrain the objective function better. At last, we implement better classification effect than original on the same data sets and show its superiority over many state-of-the-art algorithms.
• Abstract（参考訳）: マルチビュー学習は、同一オブジェクトの異なるビュー間の関係を利用して分類のタスク目標を達成する。 ほとんどの既存メソッドは、通常、複数のビュー間の一貫性と相補性に焦点を当てている。 しかし、これらの情報は分類タスクに有用ではない。 その代わり、重要な役割を果たす特定の識別情報である。 zhong zhangらは、共同の非負の行列因子分解を通じて、異なる視点における共通およびビュー特有の部分における差別的および非差別的情報の存在を探求する。 本稿では, クロスエントロピー損失関数を用いて, 目的関数の制約を改善することにより, この基底関数のアルゴリズムを改良する。 最終的に、同じデータセット上でオリジナルよりも優れた分類効果を実装し、多くの最先端アルゴリズムよりもその優位性を示す。

関連論文リスト

• Discriminative Anchor Learning for Efficient Multi-view Clustering [59.11406089896875]
  マルチビュークラスタリング(DALMC)のための識別的アンカー学習を提案する。 元のデータセットに基づいて、識別的なビュー固有の特徴表現を学習する。 これらの表現に基づいて異なるビューからアンカーを構築することで、共有アンカーグラフの品質が向上します。
  論文  参考訳（メタデータ） (2024-09-25T13:11:17Z)
• Separating common from salient patterns with Contrastive Representation Learning [2.250968907999846]
  コントラスト分析は、2つのデータセット間の変動の共通要因を分離することを目的としている。 変分オートエンコーダに基づく現在のモデルは意味表現の学習において性能が劣っている。 コントラスト分析に適合した意味表現表現を学習するためのコントラスト学習の活用を提案する。
  論文  参考訳（メタデータ） (2024-02-19T08:17:13Z)
• Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
  1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。 マルチモーダルデータに適した深層学習一クラス分類法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T12:31:18Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• 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)
• Multi-task Bias-Variance Trade-off Through Functional Constraints [102.64082402388192]
  マルチタスク学習は、多様なタスクによく機能する関数の集合を取得することを目的としている。 本稿では,2つの極端な学習シナリオ,すなわちすべてのタスクに対する単一関数と,他のタスクを無視するタスク固有関数から直感を抽出する。 本稿では,集中関数に対するドメイン固有解を強制する制約付き学習定式化を導入する。
  論文  参考訳（メタデータ） (2022-10-27T16:06:47Z)
• Matching Multiple Perspectives for Efficient Representation Learning [0.0]
  本稿では,自己教師型学習とマルチパースペクティブマッチング技術を組み合わせたアプローチを提案する。 我々は,同一オブジェクトの複数ビューと多種多様な自己教師付き事前学習アルゴリズムを組み合わせることで,オブジェクト分類性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-08-16T10:33:13Z)
• A Framework for Multi-View Classification of Features [6.660458629649826]
  データ分類問題の解決では、機能セットが大きすぎると、典型的なアプローチではその問題を解決することができない。 本研究では,人間の複数視点理論における物体認識の問題に触発された,多視点アンサンブル分類のための革新的な枠組みを提案する。
  論文  参考訳（メタデータ） (2021-08-02T16:27:43Z)
• Distilling Localization for Self-Supervised Representation Learning [82.79808902674282]
  コントラスト学習は教師なし表現学習に革命をもたらした。 現在のコントラストモデルでは、前景オブジェクトのローカライズには効果がない。 本稿では,背景変化を学習するためのデータ駆動型手法を提案する。
  論文  参考訳（メタデータ） (2020-04-14T16:29:42Z)
• Deep Inverse Feature Learning: A Representation Learning of Error [6.5358895450258325]
  本稿では,機械学習における誤りに対する新たな視点を紹介し,表現学習手法として逆特徴学習(IFL)を提案する。 逆特徴学習法は、深層クラスタリング手法に基づいて、誤り表現の定性的形式を特徴として求める。 実験の結果,提案手法は分類,特にクラスタリングにおいて有望な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-03-09T17:45:44Z)

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。