×
李忠恒;羌、黔瑶;张斌;王飞;聂飞萍

具有统一图的灵活多视图半监督学习。 （英语） Zbl 1521.68141号

神经网络。 142, 92-104 (2021).
摘要：目前，数据采集的多样性推动了多视图数据的增长和标签信息的缺乏。由于手动标记既昂贵又不切实际，因此可以使用少量标记数据和大量未标记数据来提高学习性能。在本研究中，我们提出了一种新的多视图半监督学习（MSEL）框架，称为具有统一图的柔性MSEL（FMSEL）。在此框架中，引入了两个灵活的回归残差项。一种是线性惩罚项，它自适应地权衡不同视图的不同贡献，并适当地学习结构良好的统一图。另一个是松弛正则化项，它可以找到最优预测和线性回归函数。同时支持对数据库中的样本和新数据进行预测。此外，在这个过程中，统一图根据数据结构和动态更新的标签信息进行学习。此外，我们提供了一种交替优化算法来迭代求解由此产生的目标问题，并从理论上分析了相应的复杂性。在合成数据集和公共数据集上进行的大量实验证明了FMSEL的优越性。

MSC公司：

68T05型 人工智能中的学习和自适应系统
68吨10 模式识别、语音识别
90 C90 数学规划的应用

关键词：

多视图半监督学习;统一模式;回归残差项;多视图组合

软件：

t-SNE公司;UCI-毫升
PDF格式BibTeX公司 XML格式引用
\textit{Z.Li}等人，神经网络。142，92-104（2021；Zbl 1521.68141）
全文： 内政部

参考文献：

[1] 亚松森，A。；Newman，D.，UCI机器学习库（2007）
[2] Balakrishnama，S。；Ganapathiraju，A.，《线性判别分析——简要教程》，信号和信息处理研究所，1998年第18期，第1-8页（1998年）
[3] Bertsekas，D.P.，《约束优化和拉格朗日乘子法》（2014），学术出版社
[4] 博伊德，S。；Vandenberghe，L.，《凸优化》（2004），剑桥大学出版社·Zbl 1058.90049号
[5] Brefeld，U.、Gärtner，T.、Scheffer，T.和Wrobel，S.（2006年）。有效的共同调节最小二乘回归。第23届机器学习国际会议论文集（第137-144页）。
[6] 蔡，D。；何，X。；Han，J.，等距投影，（AAAI（2007）），528-533
[7] Cai，X.、Nie，F.、Cai，W.和Huang，H.（2013）。基于多模态半监督学习模型的异构图像特征集成。IEEE计算机视觉国际会议论文集（第1737-1744页）。
[8] CE，E.4EC41：数字图像处理。
[9] Chong，Y。；丁，Y。；严奇。；Pan，S.，《基于图形的半监督学习：综述》，神经计算（2020年）
[10] Dallal，N.和Triggs，B.（2005年）。人体检测定向梯度直方图。在IEEE计算机学会关于计算机视觉和模式识别的会议上。
[11] 杜克，D。；Frey，B.J.，无监督图像分类的非度量亲和传播，（2007年IEEE第11届计算机视觉国际会议（2007年），IEEE），1-8
[12] 费菲，L。；弗格斯，R。；Perona，P.，《从少数训练示例中学习生成性视觉模型：在101个对象类别上测试的增量贝叶斯方法》，《计算机视觉和图像理解》，106，1，59-70（2007）
[13] Feiping，N。；郭浩，C。；Jing，L。；雪龙，L.，用于图像聚类和半监督分类的自动加权多视图学习，IEEE图像处理汇刊：IEEE信号处理协会出版物，27，31501（2018）·Zbl 1409.94460号
[14] 冯·L。；X孟。；Wang，H.，用于降维的多视图局部低阶嵌入，基于知识的系统，191，第105172页，（2020）
[15] Feng，H.，使用无参数半监督流形学习进行基因分类，IEEE/ACM计算生物学和生物信息学汇刊，9，3，818-827（2011）
[16] Fisher，R.A.，《分类问题中多重测量的使用》，优生学年鉴，7，2，179-188（1936）
[17] 龚，C。；陶，D。；马来亚银行，S.J。；刘伟。；Kang，G。；Yang，J.，半监督图像分类的多模式课程学习，IEEE图像处理学报，25，7，3249-3260（2016）·Zbl 1408.94206号
[18] Greene，D.和Cunningham，P.（2006）。内核文档聚类中对角优势问题的实际解决方案。第23届机器学习国际会议论文集（第377-384页）。
[19] 何，X。；蔡，D。；Yan，S。；张海杰，邻域保护嵌入，（第十届IEEE计算机视觉国际会议（第1、2卷）（2005），IEEE，1208-1213
[20] 何，X。；Niyogi，P.，位置保持投影，（神经信息处理系统的进展（2004）），153-160
[21] Hestenes，M.R.，乘数和梯度方法，优化理论与应用杂志，4，5，303-320（1969）·Zbl 0174.20705号
[22] Karasuyama，M。；Mamitsuka，H.，通过稀疏集成进行多图标记传播，IEEE神经网络和学习系统汇刊，24,12,1999-2012（2013）
[23] LeCun，Y。；博图，L。；Y.本吉奥。；Haffner，P.，《基于梯度的学习应用于文档识别》，IEEE会议记录，86，11，2278-2324（1998）
[24] Li，S.，&Fu，Y.（2013）。用于半监督分类的带b匹配约束的低秩编码。IJCAI（第1472-1478页）。
[25] 李，L。；He，H.，基于二部图的多视图聚类，IEEE知识与数据工程汇刊（2020）
[26] Li，S.，Li，Y.，&Fu，Y..（2016）。多视图时间序列分类：一种判别双线性投影方法。《第25届ACM国际信息与知识管理会议论文集》（第989-998页）。
[27] 李，S。；刘，H。；陶，Z。；Fu，Y.，带自适应标记传播的多视图图学习，（2017 IEEE大数据国际会议（2017），IEEE），110-115
[28] 林·G。；Liao，K。；孙，B。；陈，Y。；Zhao，F.，半监督多模态分类的动态图融合标签传播，模式识别，68，14-23（2017）
[29] 罗，Y。；陶，D。；耿，B。；徐，C。；Maybank，S.J.，用于半监督多标签图像分类的流形正则化多任务学习，IEEE图像处理汇刊，22，2，523-536（2012）·Zbl 1373.94269号
[30] 罗，R.C。；Yih，C.-C。；Su，K.L.，《多传感器融合与集成：方法、应用和未来研究方向》，IEEE传感器杂志，2，2，107-119（2002）
[31] Maaten，L.v.d。；Hinton，G.，使用t-SNE可视化数据，《机器学习研究杂志》，2579-2605年11月9日（2008）·Zbl 1225.68219号
[32] Manna，S。；Khonglah，J.R。；穆克吉，A。；Saha，G.，基于高维数据的核化图形多视图聚类，（2020年国家通信会议（2020年），IEEE），1-6
[33] Nie，F.、Li，J.和Li，X.等人（2016）。无参数自动加权多图学习：多视图聚类和半监督分类的框架。在IJCAI中（第1881-1887页）。
[34] 聂，F。；田，L。；王，R。；Li，X.，图像分类的多视图半监督学习模型，IEEE知识与数据工程汇刊（2019）
[35] Nie，F.、Wang，X.、Jordan，M.I.和Huang，H.（2016）。基于图形聚类的约束拉普拉斯秩算法。第三十届AAAI人工智能会议。
[36] 聂，F。；徐，D。；Tsang，I.W.-H。；Zhang，C.，《柔性流形嵌入：半监督和非监督降维框架》，IEEE图像处理汇刊，1921-1932（2010）·Zbl 1371.94276号
[37] Ojala，T.、Pietikainen，M.和Maenpaa，T.（2002）。具有局部二值模式的多分辨率灰度和旋转不变纹理分类。在IEEE关于模式分析和机器智能的交易中（第971-987页）·Zbl 0977.68853号
[38] 奥利瓦，A。；Torralba，A.，《场景形状建模：空间包络的整体表示》，《国际计算机视觉杂志》，42，3，145-175（2001）·Zbl 0990.68601号
[39] Powell，M.J.，最小化问题中非线性约束的方法，最优化，283-298（1969）·Zbl 0194.47701号
[40] 萨马利亚，F.S。；Harter，A.C.，人脸识别随机模型的参数化，（1994年IEEE计算机视觉应用研讨会论文集（1994），IEEE），138-142
[41] 信德瓦尼，V。；Niyogi，P。；Belkin，M.，《多视角半监督学习的联合正规化方法》，（《ICML多视角学习研讨会论文集》（2005年），Citeser），第74-79页
[42] Sun，S.和Chao，G.（2013年）。多视图最大熵判别。在第二十三届国际人工智能联合会议上。
[43] 陶，H。；侯，C。；聂，F。；朱，J。；Yi，D.，通过自适应回归实现可伸缩多视图半监督分类，IEEE图像处理汇刊，26，9，4283-4296（2017）·兹比尔1409.94583
[44] 王，S。；郭，X。；Tie，Y。；齐，L。；Guan，L.，用于半监督分类的新型加权混合多视图融合算法，（2019年IEEE电路与系统国际研讨会（2019），IEEE），1-5
[45] 王，B。；Tsotsos，J.，半监督多类多标签分类的动态标签传播，模式识别，52，75-84（2016）
[46] Wang，H。；Yang，Y。；Liu，B.，GMC：基于图的多视图聚类，IEEE知识与数据工程汇刊，32，6，1116-1129（2019）
[47] Wang，F。；Zhang，C.，线性邻域中的标签传播，IEEE知识与数据工程汇刊，20，1，55-67（2007）
[48] Wu，F。；Jing，X.-Y。；你，X。；岳，D。；胡，R。；Yang，J.-Y.，用于图像分类的多视图低阶字典学习，模式识别，50，143-154（2016）·Zbl 1394.68319号
[49] 吴杰。；Rehg，J.M.，《CENTRIST:场景分类的可视化描述符》，IEEE模式分析和机器智能汇刊，33，8，1489-1501（2010）
[50] Wu，M.、Yu，K.、Yu、S.和Schölkopf，B.（2007）。本地学习预测。第24届机器学习国际会议论文集（第1039-1046页）。
[51] Xu，X。；Yang，Y。；邓，C。；Nie，F.，多视图降维的自适应图加权，信号处理，165186-196（2019）
[52] Yang，Y。；宋，J。；黄，Z。；马，Z。；塞贝，N。；Hauptmann，A.G.，通过分层回归进行多媒体分析的多特征融合，IEEE多媒体汇刊，15，3，572-581（2012）
[53] Yang，Y。；詹，D.-C。；Wu，Y.-F。；刘，Z.-B。；熊，H。；Jiang，Y.，具有不完全模式的半监督多模式聚类和分类，IEEE知识与数据工程汇刊（2019）
[54] 赵，J。；谢，X。；Xu，X。；Sun，S.，《多视角学习概述：最新进展和新挑战》，《信息融合》，38，43-54（2017）
[55] 周，D。；O.布斯克。；Lal，T.N。；韦斯顿，J。；Schölkopf，B.，《局部和全局一致性学习》，（神经信息处理系统进展（2004）），第321-328页
[56] Zhu，X.、Ghahramani，Z.和Lafferty，J.D.（2003）。使用高斯场和调和函数的半监督学习。《第20届机器学习国际会议论文集》（第912-919页）。
[57] 诸葛·W。；侯，C。；彭，S。；Yi，D.，多视图半监督分类的联合共识和多样性，机器学习，1-21（2019）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。