復雜場景下的多視圖學習方法研究.pdf

1、多視圖學習是指針對有多個特征表示數(shù)據(jù)的智能學習方式。在過去的十幾年中，多視圖學習受到了極大關注并且有許多理論成果和實際應用算法。但是到現(xiàn)在為止，大部分相關工作都集中在傳統(tǒng)的多視圖分類、聚類和降維任務，并且只能被應用到全配對場景。然而現(xiàn)實應用持續(xù)引出新的復雜學習場景。比如，多視圖分類和檢索任務有時依賴于合適的度量，因而需要解決多視圖度量學習的任務。另外在有些嚴苛的場景中，多視圖數(shù)據(jù)在收集和傳輸過程中會由于設備故障、惡意攻擊和應用場景限制等

2、原因不能保證是完全配對的。因此，如何設計適用于該場景的多視圖學習算法也是本文所主要考慮的問題。而且，將多視圖學習的方法移植到單視圖學習中也能夠提升單視圖學習的性能。本文主要貢獻總結如下，1)提出一個co-training風格的多視圖度量學習算法co-metric。該算法受co-training的學習思想啟發(fā)，為每個視圖學習一個度量，并且通過使它們互相教的方式來提升它們的性能。而且，它能利用現(xiàn)有的單視圖學習算法，因而實現(xiàn)十分簡單。該算法的

3、關鍵步驟是用學到的度量來挑選出可靠標號的樣本。為此，我們設計了一個簡單有效的方法:將K近鄰算法的參數(shù)K設置為一個較大的正數(shù)。實驗表明了該算法的有效性。
　　2)提出一個通過同時對齊先驗和后驗概率學習在完全無配對場景下的跨視圖度量的模型MLHD。該模型首先將每個視圖的樣本映射到一個公共空間中，然后同時對齊它們的先驗概率p(sample)和后驗概率p(label|sample)。通過調(diào)整和變量替換，該模型能夠只用一個半正定矩陣來重新參

4、數(shù)化。通過引入一個對數(shù)行列式函數(shù)來正則化該矩陣參數(shù)，MLHD模型能夠用Bregman投影算法來優(yōu)化，并且能夠自動保持矩陣的半正定性。之后，我們證明該模型有一個等價的只依賴于樣本內(nèi)積的優(yōu)化問題，因而能夠被方便地核化。實驗證明，該模型在跨語言檢索和跨域的目標識別任務中有良好的表現(xiàn)。
　　3)介紹了一種新的輔助信息，即跨視圖的must-link和cannot-link，并且將其應用到完全無配對場景下的多視圖分類任務中。這種新的輔助信息是

5、廣泛使用的單視圖must-link和cannot-link的一個自然推廣，指示了在不同視圖中的兩個樣本是否有相同的標號。我們改造了經(jīng)典的正則化模型，通過添加跨視圖的must-link和cannot-link正則化項來將該輔助信息應用到完全無配對場景下的多視圖分類任務中。實驗證實了該輔助信息的有效性。
　　4)提出了一個在單視圖數(shù)據(jù)上通過構造一個新的數(shù)據(jù)聚類視圖來同時學習分類和聚類的模型。該模型利用數(shù)據(jù)聚類視圖來結合分類和聚類任務，