Fugu-MT 論文翻訳(概要): Higher Order Correlation Analysis for Multi-View Learning

論文の概要: Higher Order Correlation Analysis for Multi-View Learning

arxiv url: http://arxiv.org/abs/2201.11949v1
Date: Fri, 28 Jan 2022 06:10:30 GMT
ステータス: 処理完了
システム内更新日: 2022-02-01 03:19:49.045815
Title: Higher Order Correlation Analysis for Multi-View Learning
Title（参考訳）: 多視点学習のための高次相関分析
Authors: Jiawang Nie and Li Wang and Zequn Zheng
Abstract要約: マルチビューデータにおける高次相関の最大化を提案する。実際のマルチビューデータに対する数値的な結果は、この手法が既存の手法よりも一貫して優れていることを示している。
参考スコア（独自算出の注目度）: 5.494450814224186
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Multi-view learning is frequently used in data science. The pairwise correlation maximization is a classical approach for exploring the consensus of multiple views. Since the pairwise correlation is inherent for two views, the extensions to more views can be diversified and the intrinsic interconnections among views are generally lost. To address this issue, we propose to maximize higher order correlations. This can be formulated as a low rank approximation problem with the higher order correlation tensor of multi-view data. We use the generating polynomial method to solve the low rank approximation problem. Numerical results on real multi-view data demonstrate that this method consistently outperforms prior existing methods.
Abstract（参考訳）: マルチビュー学習はデータサイエンスでよく使われる。ペアワイズ相関最大化は、複数の視点のコンセンサスを探求するための古典的なアプローチである。対相関は2つのビューに固有のため、より多くのビューへの拡張は多様化でき、ビュー間の固有の相互接続は一般的に失われる。この問題に対処するため,高次相関を最大化することを提案する。これは多視点データの高次相関テンソルを用いた低階近似問題として定式化することができる。低階近似問題の解法として生成多項式法を用いる。実マルチビューデータにおける数値計算結果から,本手法が従来手法を一貫して上回っていることが分かる。

関連論文リスト

Regularized Contrastive Partial Multi-view Outlier Detection [76.77036536484114]
RCPMOD(Regularized Contrastive partial Multi-view Outlier Detection)と呼ばれる新しい手法を提案する。このフレームワークでは、コントラスト学習を利用して、ビュー一貫性のある情報を学び、一貫性の度合いでアウトレイラを識別する。 4つのベンチマークデータセットによる実験結果から,提案手法が最先端の競合より優れていることが示された。
論文参考訳（メタデータ） (2024-08-02T14:34:27Z)
Unsupervised Estimation of Ensemble Accuracy [0.0]
いくつかの分類器の結合力を推定する手法を提案する。ラベルに依存しない「多様性」対策に重点を置く既存のアプローチとは異なる。本手法は,一般的な大規模顔認証データセット上で実証する。
論文参考訳（メタデータ） (2023-11-18T02:31:36Z)
Hierarchical Mutual Information Analysis: Towards Multi-view Clustering in The Wild [9.380271109354474]
この研究は、データリカバリとアライメントを階層的に一貫した方法で融合し、異なるビュー間の相互情報を最大化するディープMVCフレームワークを提案する。私たちの知る限りでは、これは欠落したデータ問題と不整合データ問題に異なる学習パラダイムで別々に対処する最初の試みになるかもしれません。
論文参考訳（メタデータ） (2023-10-28T06:43:57Z)
Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文参考訳（メタデータ） (2023-05-11T10:30:35Z)
Learnable Pillar-based Re-ranking for Image-Text Retrieval [119.9979224297237]
画像テキスト検索は、モダリティギャップを埋め、意味的類似性に基づいてモダリティコンテンツを検索することを目的としている。一般的なポストプロセッシング手法であるリグレードは, 単一モダリティ検索タスクにおいて, 隣り合う関係を捕捉する優位性を明らかにしている。本稿では,画像テキスト検索のための新しい学習可能な柱型リグレードパラダイムを提案する。
論文参考訳（メタデータ） (2023-04-25T04:33:27Z)
Document-level Relation Extraction with Relation Correlations [15.997345900917058]
文書レベルの関係抽出は,長期問題と複数ラベル問題という,見落とされた2つの課題に直面している。関係の共起相関を解析し,DocREタスクに初めて導入する。
論文参考訳（メタデータ） (2022-12-20T11:17:52Z)
Two-level Data Augmentation for Calibrated Multi-view Detection [51.5746691103591]
ビュー間のアライメントを保った新しいマルチビューデータ拡張パイプラインを導入する。また,シーンレベルで直接適用された第2レベルの拡張を提案する。単純なマルチビュー検出モデルと組み合わせることで、2レベル拡張パイプラインは既存のベースラインすべてより優れています。
論文参考訳（メタデータ） (2022-10-19T17:55:13Z)
Latent Correlation-Based Multiview Learning and Self-Supervision: A Unifying Perspective [41.80156041871873]
この研究は、教師なしのマルチビュー学習のための理論支援フレームワークを提供する。私たちの開発は、各ビューが共有コンポーネントとプライベートコンポーネントの非線形混合であるマルチビューモデルの提案から始まります。さらに、各ビュー内のプライベート情報を適切な正規化設計を用いて共有から確実に切り離すことができる。
論文参考訳（メタデータ） (2021-06-14T00:12:36Z)
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)
RH-Net: Improving Neural Relation Extraction via Reinforcement Learning and Hierarchical Relational Searching [2.1828601975620257]
本稿では、強化学習と階層型関係探索モジュールを用いて関係抽出を改善するRH-Netという新しいフレームワークを提案する。次に、データリッチクラスとデータポーアクラス間の相関インスタンスのセマンティクスを共有する階層的関係探索モジュールを提案する。
論文参考訳（メタデータ） (2020-10-27T12:50:27Z)
Multi-view Graph Learning by Joint Modeling of Consistency and Inconsistency [65.76554214664101]
グラフ学習は、複数のビューから統一的で堅牢なグラフを学ぶ能力を備えた、マルチビュークラスタリングのための有望なテクニックとして登場した。本稿では,統合目的関数における多視点一貫性と多視点不整合を同時にモデル化する,新しい多視点グラフ学習フレームワークを提案する。 12のマルチビューデータセットに対する実験は、提案手法の堅牢性と効率性を実証した。
論文参考訳（メタデータ） (2020-08-24T06:11:29Z)

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。