×
诸葛、文章；侯晨平；彭绍良；易东云

多视图半监督分类的联合共识和多样性。 （英语） Zbl 1494.68239号

机器。学习。 109，编号3，445-465（2020）.
摘要：随着数据的获取方式越来越多，多视图数据变得越来越可用。考虑到标记数据在许多机器学习应用中的高昂价格，我们重点研究了多视图半监督分类问题。为了解决这个问题，本文提出了一种联合一致性和多样性的多视图半监督分类方法，该方法可以同时学习所有训练样本和特定视图分类器的公共标签矩阵。提出了一种新的分类损失——概率平方铰链损失，它避免了错误惩罚问题，并根据训练样本的不确定性表征了训练样本的贡献。引入幂平均值来合并不同视图的损失，其中包含了作为特例的自动加权策略，并区分了不同视图的重要性。为了解决非凸极小化问题，我们证明了它的解可以从另一个引入变量的问题中得到。并提出了一种有效的优化算法，证明了算法的收敛性。在九个数据集上的大量实验结果证明了该算法的有效性。

引用于2文件

MSC公司：

68T05型 人工智能中的学习和自适应系统
62H30型 分类和区分；聚类分析（统计方面）

关键词：

共识；多样性；多视图；半监督分类

软件：

UCI-毫升；SIFT公司
PDF格式BibTeX公司 XML格式引用
\textit{W.诸葛}等人，马赫。学习。109，编号3，445--465（2020；Zbl 1494.68239）
全文： DOI程序

参考文献：

[1] 亚松森，A。；纽曼，DJ，UCI机器学习库（2007年），欧文：加州大学欧文分校
[2] Blum，A.和Mitchell，T.（1998年）。将标记和未标记数据与联合训练相结合。摘自：计算学习理论会议，第92-100页。
[3] 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。摘自：IEEE计算机视觉国际会议，第1737-1744页。
[4] 陈，X。；陈，S。；薛，H。；Zhou，X.，半配对和半监督多视图数据的统一降维框架，模式识别，45,52005-2018（2012）·兹比尔1233.68187 ·doi:10.1016/j.patcog.2011.11.008
[5] Dallal，N.和Triggs，B.（2005年）。人体检测定向梯度直方图。摘自：IEEE计算机视觉和模式识别会议，第886-893页。
[6] Dueck，D.和Frey，B.J.（2007年）。用于无监督图像分类的非度量亲和传播。摘自：IEEE计算机视觉国际会议，第1-8页。
[7] 龚C.（2017）。探索多模式课程学习的共性和个性。摘自：第三十一届AAAI人工智能会议，第1926-1933页。
[8] 龚，C。；陶，D。；Chang，X。；Yang，J.，混合标签传播的集成教学，IEEE控制论交易，49，2，388-402（2017）·doi:10.1109/TCYB.2017.2773562
[9] 龚，C。；陶，D。；马来亚银行，SJ；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 ·doi:10.10109/TIP.2016.2563981
[10] 龚，C.，陶，D.，杨，J.，&刘，W.（2016）。针对多标签传播的教学-学习和学习-教学。摘自：第三十届AAAI人工智能会议，第1610-1616页。
[11] Greene，D.和Cunningham，P.（2009年）。用于集成多个数据视图的矩阵分解方法。摘自：关于数据库中的机器学习和知识发现的欧洲会议，第423-438页。
[12] 古兹，美国。；Tur，G.，《对话行为语音分段的多视图半监督学习》，IEEE语音与语言处理学报，18，2，320-329（2009）·doi:10.1109/TASL.2009.2028371
[13] 侯，C。；张，C。；Wu，Y。；Nie，F.，多视图半监督降维，模式识别，43，3，720-730（2010）·兹比尔1187.68393 ·doi:10.1016/j.patcog.2009.07.015
[14] 黄，S。；康，Z。；Tsang，IW；Xu，Z.，基于核化图学习的自动加权多视图聚类，模式识别，88，174-184（2019）·doi:10.1016/j.patcog.2018年11月7日
[15] 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）·doi:10.1109/TNNLS.2013.2271327
[16] 李，YJ；Kristen，G.，《前景聚焦：从部分匹配图像中进行无监督学习》，《国际计算机视觉杂志》，85，2，143-166（2009）·doi:10.1007/s11263-009-0252-y
[17] 卢斯利，G。；卡努，S。；博图，L。；博图，L。；沙佩尔，O。；DeCoster，D。；Weston，J.，使用选择性抽样训练不变支持向量机，大规模核机器，301-320（2007），剑桥：麻省理工学院出版社，剑桥
[18] Lowe，DG，《从尺度不变关键点获得的独特图像特征》，《国际计算机视觉杂志》，60，2，91-110（2004）·doi:10.1023/B:VISI.0000029664.99615.94
[19] Luo，M.、Zhang，L.、Nie，F.、Chang，X.、Qian，B.和Zheng，Q.（2017）。带判别最小二乘回归的自适应半监督学习。摘自：国际人工智能联合会议，第2421-2427页。
[20] 马，Z。；Yang，Y。；聂，F。；塞贝，N。；Yan，S。；Hauptmann，AG，《利用实验室知识进行真实世界动作识别》，《国际计算机视觉杂志》，109，1-2，60-73（2014）·Zbl 1328.68247号 ·doi:10.1007/s11263-014-0717-5
[21] Mao，C.H.，Lee，H.M.，Parikh，D.，Chen，T.，&Huang，S.Y.（2009）。基于半监督联合训练和主动学习的多视图入侵检测方法。摘自：ACM应用计算研讨会，第2042-2048页。
[22] 聂，F。；蔡，G。；李，J。；Li，X.，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，27，3，1501-1511（2018）·兹比尔1409.94460 ·doi:10.1109/TIP.2017.2754939
[23] Nie，F.、Li，J.和Li，X.（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。摘自：国际人工智能联合会议，第1881-1887页。
[24] Nie，F.、Tian，L.和Li，X.（2018）。通过自适应加权procutes进行多视图聚类。摘自：第24届ACM SIGKDD知识发现和数据挖掘国际会议记录，第2022-2030页。
[25] Nie，F.、Wang，X.和Huang，H.（2017）。多类capped\（{\updownarrow}_p\）-稳健分类的范数支持向量机。摘自：第三十一届AAAI人工智能会议，第2415-2421页。
[26] Nigam，K.和Ghani，R.（2000年）。分析联合培训的有效性和适用性。摘自：信息和知识管理国际会议，第86-93页。
[27] 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 ·doi:10.1023/A:101139631724
[28] 舒，Z。；吴，X。；风扇，H。；黄，P。；Wu，D。；胡，C。；Ye，F.，用于数据表示的无参数自加权多重图正则化非负矩阵分解，基于知识的系统，131105-112（2017）·doi:10.1016/j.knosys.2017.05.029
[29] Sindhwani，V.、Niyogi，P.和Belkin，M.（2005）。超越点云：从转导式学习到半监督式学习。摘自：机器学习国际会议，第824-831页。
[30] Sun，S。；Jin，F.，鲁棒联合训练，国际模式识别与人工智能杂志，25，7，1113-1126（2011）·doi:10.1142/S021801411008981
[31] 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）·Zbl 1409.94583号 ·doi:10.1109/TIP.2017.2717191
[32] Wang，D.，Nie，F.和Huang，H.（2014）。基于统一归纳和转导模型的大规模自适应半监督学习。摘自：ACM SIGKDD知识发现和数据挖掘国际会议，第482-491页。
[33] Xu，C.、Tao，D.和Xu，C（2013）。多视角学习调查：计算机科学。
[34] 徐，Z。；King，I.，《半监督学习导论》（2014），圣拉斐尔：Morgan and Claypool，San Rafael
[35] Yang，Y。；宋，J。；黄，Z。；马，Z。；塞贝，N。；Hauptmann，AG，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（2013）·doi:10.1109/TMM.2012.2234731
[36] Yu，J。；王，M。；Tao，D.，用于卡通合成的半监督多视角距离度量学习，IEEE图像处理汇刊，21，11，4636-4648（2012）·Zbl 1373.94472号 ·doi:10.1109/TIP.2012.2207395
[37] 诸葛，W。；侯，C。；焦，Y。；Yue，J。；陶，H。；Yi，D.，使用公共子空间表示矩阵的鲁棒自加权多视图子空间聚类，Plos One，12，5，e0176769（2017）·doi:10.1371/journal.pone.0176769
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。