کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4969776 1449980 2017 15 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Unified subspace learning for incomplete and unlabeled multi-view data
ترجمه فارسی عنوان
یادگیری یکپارچه فضای مجاز برای داده های ناقص و بدون برچسب چند نمایش
کلمات کلیدی
آموزش چندرسانه ای، یادگیری زیرزمینی، داده های ناقص و بدون برچسب، خوشه بندی چندگانه، بازیابی متقابل،
ترجمه چکیده
داده های چند نمایش با هر دیدگاه مربوط به نوع مجموعه ویژگی ها در دنیای واقعی رایج هستند. معمولا روش های یادگیری چندمتغیره قبلی، دیدگاه های کامل را می پذیرند. با این حال، داده های چند نمایش اغلب ناقص هستند، یعنی برخی از نمونه ها دارای مجموعه ای از ویژگی های ناقص هستند. علاوه بر این، اکثر داده ها بدون توجه به هزینه های زیادی از حاشیه نویسی دستی بدون برچسب گذاری می شوند، که این امر باعث می شود که چنین اطلاعاتی به یک مشکل چالش برانگیز تبدیل شود. در این مقاله، یک چارچوب یادگیری زیربخش جدید برای داده های ناقص و بدون برچسب چند نمایش ارائه می کنیم. این مدل به طور مستقیم ماتریس شاخص کلاس را بهینه می کند، که یک پل برای مجموعه های کامل ناتمام ایجاد می کند. علاوه بر این، انتخاب ویژگی در نظر گرفته شده است برای مقابله با ویژگی های بعدی و پر سر و صدا. علاوه بر این، شباهت های داده های بینابینی و درونمایه ای برای بهبود مدل حفظ می شوند. به این منظور، یک هدف با یک استراتژی بهینه سازی کارآمد توسعه داده می شود. در نهایت، آزمایش های گسترده ای برای خوشه بندی چندبعدی و بازیابی متقابل و دستیابی به عملکرد پیشرفته ترین حالت در تنظیمات مختلف انجام می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
یادگیری یکپارچه فضای مجاز برای داده های ناقص و بدون برچسب چند نمایش
چکیده انگلیسی
Multi-view data with each view corresponding to a type of feature set are common in real world. Usually, previous multi-view learning methods assume complete views. However, multi-view data are often incomplete, namely some samples have incomplete feature sets. Besides, most data are unlabeled due to a large cost of manual annotation, which makes learning of such data a challenging problem. In this paper, we propose a novel subspace learning framework for incomplete and unlabeled multi-view data. The model directly optimizes the class indicator matrix, which establishes a bridge for incomplete feature sets. Besides, feature selection is considered to deal with high dimensional and noisy features. Furthermore, the inter-view and intra-view data similarities are preserved to enhance the model. To these ends, an objective is developed along with an efficient optimization strategy. Finally, extensive experiments are conducted for multi-view clustering and cross-modal retrieval, achieving the state-of-the-art performance under various settings.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 67, July 2017, Pages 313-327
نویسندگان
, , ,