基于神经网络的多视图特征学习中的多对多关联的概率框架
摘要：概率多视图图嵌入（PMvGE）：一种简单的多视图特征学习框架，适用于多对多关联，可以推广各种现有的多视图方法。PMvGE是一个概率模型，通过数据向量节点的图嵌入及其关联链接来预测新的关联。多视图数据向量通过神经网络转化为共享空间中的特征向量，两个数据向量之间的新关联概率由它们的特征向量的内积建模。而现有的多视图特征学习技术只能处理多对多关联或非线性转换中的一个，PMvGE可以同时处理两者。通过结合Mercer定理和通用逼近定理，我们证明PMvGE可以学习多个视图之间的广泛类似度度量。我们基于似然的估计器可以通过小批量随机梯度下降在大规模数据集中高效计算数据向量的非线性转换，数值实验表明PMvGE优于现有的多视图方法。
作者：Akifumi Okuno, Tetsuya Hada, Hidetoshi Shimodaira
论文ID：1802.04630
分类：Machine Learning
分类简称：stat.ML
提交时间：2018-06-12