×

通过结构化稀疏性和共享子空间发现进行多视图特征分析。 (英语) Zbl 1456.68141号

摘要:由于组合来自异构数据源的特征可以在许多应用程序中显著提高分类性能,因此在过去几年中,它吸引了大量的研究关注。大多数现有的多视图特征分析方法分别学习每个视图中的特征,而忽略了多个视图共享的知识。不同的特征视图可能具有一些内在的相关性,这可能有助于特征学习。因此,假设多视图共享子空间,从中可以发现公共知识。在这封信中,我们提出了一种新的多视图特征学习算法,旨在利用不同视图共享的共同特征。为了实现这一目标,我们提出了一种批处理模式下的特征学习算法,该算法考虑了不同视图之间的相关性。在一个联合框架中同时学习不同视图的多个变换矩阵。这样,我们的算法可以利用视图作为进一步改进性能结果的补充信息。由于所提出的目标函数是非光滑的,并且很难直接求解,因此我们提出了一种有效优化的迭代算法。对许多真实世界的数据集进行了广泛的实验。实验结果表明,与所有比较方法相比,在分类方面具有优异的性能。在实验中验证了算法的收敛性。

MSC公司:

68T05型 人工智能中的学习和自适应系统
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] Bay,H.、Tuytelaars,T.和Gool,L.V.(2006年)。冲浪:加速了强大的功能。第九届欧洲计算机视觉会议论文集。柏林:斯普林格。
[2] Cai,X.、Nie,F.和Huang,H.(2013)。多视图k表示对大数据进行聚类。在人工智能会议记录中。马萨诸塞州剑桥:AAAI出版社。
[3] Chang,C.-C.和Lin,C.-J.(2011)。LIBSVM:支持向量机库。ACM TIST,2(3),27:1-27:27。
[4] Chang,X.、Nie,F.、Wang,S.、Yang,Y.、Zhou,X.和Zhang,C.(2016)。双线性分析的复合秩k投影。IEEE传输。神经网络。学习系统。,27(7), 1502-1513. ,
[5] Chang,X.,Nie,F.,Yang,Y.,&Huang,H.(2014)。半监督多标签特征选择的凸公式。《第二十届AAAI人工智能会议记录》(第1171-1177页)。马萨诸塞州剑桥:AAAI出版社。
[6] Chang,X.,Nie,F.,Yang,Y.,Zhang,C.,&Huang,H.(2016)。凸稀疏PCA用于无监督特征学习。TKDD,11(1),3:1-3:16,
[7] Chang,X.,Yu,Y.,Yang,Y.和Xing,E.P.(2016a)。它们并不同样可靠:使用差异化概念分类器的语义事件搜索。2016年IEEE计算机视觉和模式识别会议记录(第1884-1893页)。新泽西州皮斯卡塔韦:IEEE,
[8] Chang,X.,Yu,Y.-L.,Yang,Y.,&Xing,E.P.(2016b)。未剪辑视频中复杂事件分析的语义池。IEEE模式分析和机器智能汇刊。doi:10.1109/TPAMI.2016.2608901,
[9] Chen,H.、Cai,X.、Zhu,D.、Nie,F.、Liu,T.和Huang,H.(2012)。通过纤维形状的自适应多视图光谱聚类实现回旋的分组一致分割。在医学计算和计算机辅助干预会议记录中。柏林:斯普林格。
[10] Chua,T.-S.,Tang,J.,Hong,R.,Li,H.,Luo,Z.,&Zheng,Y.-T.(2009)。Nus-wide:来自新加坡国立大学的真实网络图像数据库。第八届图像和视频检索国际会议论文集。纽约:ACM。
[11] Conrad,C.和Mester,R.(2013)。通过基于子空间的时间巧合学习多视图对应。第18届斯堪的纳维亚图像分析会议记录。柏林:斯普林格,
[12] Dallal,N.和Triggs,B.(2005年)。人体检测定向梯度直方图。IEEE计算机视觉和模式识别会议论文集。新泽西州皮斯卡塔韦:IEEE。
[13] Fan,M.、Chang,X.和Tao,D.(2017)。结构正则化无监督鉴别特征分析。在AAAI人工智能会议记录中。马萨诸塞州剑桥:AAAI出版社。
[14] Foster,D.P.、Kakade,S.M.和Zhang,T.(2008)。通过典型相关分析进行多视图降维(技术报告)。芝加哥:丰田技术研究所。
[15] Gehler,P.和Nowozin,S.(2009年)。关于多类对象分类的特征组合。第十二届计算机视觉国际会议论文集。新泽西州皮斯卡塔韦:IEEE。
[16] Grauman,K.和Darrell,T.(2006年)。从部分匹配的图像特征集合中进行类别的无监督学习。IEEE计算机视觉和模式识别会议论文集。新泽西州皮斯卡塔韦:IEEE。
[17] Guo,H.和Viktor,H.L.(2008)。多关系分类:一种多视图方法。知识与信息系统,17(3),287-312,
[18] Ham,J.、Lee,D.和Saul。,L.(2005)。歧管的半监督对齐。第十届人工智能与统计国际研讨会论文集。注:人工智能与统计学会。
[19] Jing,X.,Hu,R.,Zhu,Y.,Wu,S.,Liang,C.,&Yang,J.(2014)。用于多视图特征学习的视图内和视图间监督相关性分析。在人工分析AAAI会议记录中。马萨诸塞州剑桥:麻省理工学院出版社。
[20] Kapoor,A.、Grauman,K.、Urtasun,R.和Darrell,T.(2010年)。对象分类的高斯过程。国际计算机视觉杂志,88(2),169-188·Zbl 1477.68384号
[21] Kloft,M.、Brefeld,U.、Laskov,P.和Sonnenburg,S.(2008)。非解析多内核学习。在NIPS研讨会论文集《内核学习:内核的自动选择》中。
[22] Lanckriet,G.R.、Cristianini,N.、Bartlett,P.、Ghaoui,L.E.和Jordan,M.I.(2004)。用半定规划学习核矩阵。机器学习研究杂志,5,27-72·Zbl 1222.68241号
[23] Lowe,D.G.(2004)。具有与比例不变关键点不同的图像特征。国际计算机视觉杂志,60(2),91-110,
[24] Luo,M.、Nie,F.、Chang,X.、Yang,Y.、Hauptmann,A.G.和Zhang,Q.(2017)。避免基于最优均值2,1-范数最大化的鲁棒PCA用于重建。神经计算,291124-1150·Zbl 1418.62245号
[25] Monadjemi,A.、Thomas,B.T.和Mirmehdi,M.(2002年)。高分辨率图像室外场景分类实验(技术报告)。布里斯托尔:布里斯托尔大学计算机科学系。
[26] Sonnenburg,S.、Rätsch,G.、Schäfer,C.和Schölkopf,B.(2006年)。大规模多核学习。机器学习研究杂志,71531-1565·Zbl 1222.90072号
[27] Suykens,J.A.和Vandewalle,J.(1999)。最小二乘法支持向量机分类器。《神经处理快报》,9,293-300,
[28] Wang,C.和Mahadevan,S.(2013)。保持全局几何的流形对齐。第23届国际人工智能联合会议记录。马萨诸塞州剑桥市。
[29] Wang,H.、Nie,F.和Huang,H.(2013)。基于结构化稀疏的多视图聚类和特征学习。机器学习国际会议论文集。
[30] Wang,S.,Chang,X.,Li,X.、Long,G.、Yao,L.和Sheng,Q.Z.(2016)。使用基于稀疏性的疾病相关嵌入进行诊断代码分配。IEEE传输。知识。数据工程,28(12),3191-3202,
[31] Wang,S.,Chang,X.,Li,X.、Sheng,Q.Z.和Chen,W.(2016)。用于特征选择和共享知识发现的多任务支持向量机。信号处理,120746-753,
[32] Wang,S.,Ma,Z.,Yang,Y.,Li,X.,Pang,C.,&Hauptmann,A.G.(2014)。用于动作识别的半监督多特征分析。IEEE多媒体汇刊,16(2),289-298,
[33] Xue,X.,Nie,F.,Wang,S.,Chang,X.、Stantic,B.和Yao,M.(2017)。通过发现共享组件实现多视图相关特征学习。在人工分析会议记录中。马萨诸塞州剑桥:AAAI出版社。
[34] Yang,Y.、Song,J.、Huang,Z.、Ma,Z..、Sebe,N.和Hauptmann,A.(2012)。基于层次回归的多媒体分析多特征融合。IEEE多媒体汇刊,15572-581,
[35] Ye,J.、Ji,S.和Chen,J.(2008)。基于凸规划的多类鉴别核学习。《机器学习研究杂志》,9719-758·Zbl 1225.68223号
[36] Yu,S.、Falck,T.、Daemen,A.、Tranchevent,L.-C.、Suykens,J.A.、Moor,B.D.和Moreau,Y.(2010)。L2-形式多核学习及其在生物医学数据融合中的应用。BMC生物信息学,11309。
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。