AAAIMay, 2019

基于协同矩阵分解的多视角多实例多标签学习

PDF
TL;DR本研究提出了一种基于协作矩阵分解的解决方案，称为 M3Lcmf，该方法使用异构网络编码不同类型的关系，探索包、实例和标签之间的潜在关系，并选择性地合并数据矩阵，进一步引入聚合方案，将实例级标签聚合到包级别，并指导分解，实验结果表明，在实例级和包级预测方面，M3Lcmf 优于其他相关解决方案。
multi-view multi-instance multi-label learningcollaborative matrix factorizationheterogeneous networklow-rank matricesinstance-level and bag-level prediction
发现论文，激发创造
  • 半监督多视图概念分解

    本篇研究通过提出一个新的半监督多视图概念分解模型 SMVCF，结合多视图概念分解、标签传播和流形学习等技术，以及引入适应性权重向量，来克服传统方法中忽略标签和视角信息的不足，从而在多视图聚类任务中取得了令人满意的效果。

    Jul, 2023

  • 多视图分解机

    本文提出了一种名为多视角机器（MVM）的通用预测器，其可以有效地包括多个视图中特征之间的所有可能交互，并嵌入联合分解以实现参数稀疏估计。通过与其他方法进行比较，我们进一步说明了 MVM 的优势，包括支持向量机（SVM）、支持张量机（STMs）和因子机（FMs）等多视角分类任务。同时我们还提出了一个用于学习 MVM 模型的随机梯度下降方法。

    Jun, 2015

  • 联合多视角协同聚类

    多视角数据提供了比传统单视角数据更丰富的信息，多视角聚类算法旨在发现多视角数据之间共享的潜在结构，但现有方法往往没有充分利用多视角数据之间的横向协作，本文提出了一种基于横向协作的联合多视角协同聚类方法 (JMVCC)，包括使用非负矩阵分解 (NMF) 和横向协作原则生成基本分区，以及使用集成聚类方法融合这些局部分区，同时提出一种加权方法来降低低质量视角对生成和融合局部分区的负面影响，实验证明 JMVCC 在各种数据集上优于其他多视角聚类算法，对噪声视角具有鲁棒性。

    Oct, 2023

  • 基于非负矩阵分解的多模态多视角聚类

    通过结合相关对象，无监督机器学习技术旨在揭示数据集中的潜在模式。在本文中，我们提出了一项关于多模态聚类算法的研究，并提出了一种名为多模态多视图非负矩阵分解的新方法，其中我们分析了多个局部 NMF 模型的协同作用。实验结果表明，所提出的方法具有较大的价值，并使用多种数据集进行评估，相比于现有的方法，获得了非常有前景的结果。

    Aug, 2023

  • 联邦多视图矩阵分解进行个性化推荐

    提出了一种使用联邦学习框架的多视图矩阵分解方法，旨在学习多视图模型且无需将用户的个人数据传输到中央服务器。在三个生产数据集上进行了实证验证，结果表明这种方法在联邦推荐任务的冷启动预测方面表现优于不考虑数据多视图结构的简单方法，同时证明了该方法对复杂的预测任务的有用性。

    Apr, 2020

  • 多视角多样化表示的一步聚类

    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

  • 多视角矩阵补全多标签图像分类

    提出了一种基于多视图矩阵补全的半监督多标签图像分类方法，该方法充分利用不同视图的特征，并通过加权方式融合多视图矩阵补全的输出，同时使用交叉验证策略来学习视图组合权重和深度学习模型，经实验证明该方法相较于其他方法更加鲁棒有效。

    Apr, 2019

  • 使用 ADMM 进行规模化多关系学习

    本文提出了一种基于共识优化的新型可扩展的多关系分解方法，名为 ConsMRF，采用 ADMM 框架进行优化，可轻松并行化处理 Web 规模的数据，并在大型 Web 数据集上显示出效率和性能的改进。

    Apr, 2016

  • 高效多示例多标签学习

    本文提出了一种名为 MIMLfast 的方法来解决大规模数据集上的多实例多标记学习问题，该方法通过构建在所有标签之间共享的低维子空间并训练标签特定的线性模型来优化近似排名损失，并探索复杂标签的子概念以实现良好性能，该方法时间成本大大降低。

    Oct, 2013

  • MMF：属性可解释的协同过滤

    本文提出了一种可解释性推荐模型 Multi-Matrix Factorization（MMF），该模型通过利用不同项中存在的共同属性来解决了传统矩阵因子分解模型的可解释性和冷启动问题，并通过加权聚合用户潜在向量和属性潜在向量的内积生成属性评分，提供了更细粒度的分析，综合评测结果表明，MMF 在准确性方面优于现有模型。

    Aug, 2019