多视角学习调查
本论文总结并分析了目前多视角聚类(MVC)方法的常见策略,并提出了一种新的 MVC 方法分类。我们进一步讨论了 MVC 与多视图表示、集成聚类、多任务聚类、多视图监督和半监督学习之间的关系,并详细阐述了几个代表性实际应用。为了推进将来 MVC 的发展,我们设想了一些可能需要进一步研究和深入考虑的开放性问题。
Dec, 2017
本文介绍了多视图表示学习中的两个类别:多视图表示对齐和多视图表示融合,并从多个角度回顾了代表性的方法和理论,进而调查了多视图表示学习的发展。最终,探讨了多视图表示学习的几个重要应用,并旨在为研究人员提供深入的理论基础和最新的发展。
Oct, 2016
本文提出了一种新的概率多视图学习算法,利用视图间的随机一致性作为正则化,该算法在结构化和非结构化问题上工作,并容易推广到部分一致情况,其中在完全一致情况下,我们的算法最小化每个视图模型之间的 Bhattacharyya 距离,并在几个平面和结构化分类问题上表现优越。
Jun, 2012
本研究提出了一种新颖的多视图子空间聚类方法,其中采用了 Enriched Robust Multi-View Kernel Subspace Clustering 框架,结合多视角数据和谱聚类学习一致性亲和矩阵,解决了现有方法采用两阶段框架以及假设域数据均为线性子空间的问题。实验证明,该方法表现优于现有的聚类方法。
May, 2022
提出了一种多视角聚类方法,它使用矩阵分解实现低复杂度且高效率的多视角聚类,并在自我监督学习的基础上利用多样的表示方法,避免二阶段过程,在多维度下开展信息聚合,并使用 $k$-means 进行统一聚类,得出了在各种数据集上优越的聚类性能表现。
Jun, 2023
在本文中,我们引入了一个新的多视图子空间聚类的可扩展性框架,并提出了一种有效的优化策略,利用核特征映射来减少计算负担,同时保持良好的聚类性能。该算法的可扩展性意味着它可以应用于包含数百万数据点的大规模数据集,并在几分钟内使用标准机器完成。我们通过对各种规模的真实基准网络进行广泛实验,评估了我们的算法在支持多视图子空间聚类方法和属性网络多视图方法方面的性能。
Feb, 2024
本文提出了一种基于共享生成潜在表征的多视角聚类方法,通过深度生成学习从视角中提取非线性特征并捕捉视角之间的相关性以达到更好的聚类性能,并在多个不同规模的数据集上得到了优于现有方法的实验结果。
Jul, 2019
本研究提出了一种多视角子空间聚类算法,该算法通过构建共享于所有视图的相似度矩阵学习联合子空间表示,采用了重要的低秩和稀疏性约束,通过交替方向乘子法求解相关的优化问题,进一步扩展到非线性子空间,并在一个合成及四个真实数据集上表现出优于现有算法的聚类效果。
Aug, 2017
本文介绍了关于多视图学习方法在房地产评估方面的应用,同时针对多核学习、多视图串联和多视图神经网络三种方法进行实证研究,并得出多视图神经网络预测性能最好,但是也存在不透明的 “黑匣子” 模型的缺点,因此建议使用混合多视图神经网络或 Boosting 策略作为替代方案。
May, 2021
本研究介绍了一种名为 MVMC 的多视图多聚类算法,将自表示学习应用于多视图数据中,使用 Hilbert-Schmidt 独立性标准降低矩阵之间的冗余并收集共享信息,再采用矩阵分解生成多个高质量多样性聚类,并进一步扩展到多视图多共聚类(MVMCC)。实验结果表明,本方法在多视图数据中生成的多样性聚类(共聚类)优于当前现有的算法。
May, 2019