一致性约束的半监督多视图分类

摘要：

由于传统半监督模式下的多视图算法很少考虑到不同视图中数据包含信息的差异性,且忽视了不同视图间存在着空间结构的一致性,算法在含有噪声和异常点的多视图数据中性能较差.尽管有研究者已经提出了半监督多视图方法,但这些方法没有充分利用样本判别信息以及不同度量学习下的子空间结构信息,从而导致分类结果不理想.针对以上问题,提出了一致性约束的半监督多视图分类算法(SMCC).首先,基于希尔伯特-施密特独立性准则(HSIC)加强对不同视图之间的一致性约束.然后,通过保留原始数据的空间局部流形结构进行特征投影来降低数据空间维度,并结合F范数约束提高算法的鲁棒性.进一步,对不同视图自适应地赋予相应的权重,降低在不同视图中数据含有不同特征信息与噪声污染的影响.最后,基于线性交替方向乘子法与特征分解方法对模型进行求解.在四个基准数据集上的实验结果表明,提出的算法能够捕获多视图数据中更多的有效判别信息,准确性得到了提高.

关键词：多视图;自适应权重;一致性约束;特征投影;半监督学习

所属期刊栏目：16

分类号：TP301.6(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金

在线出版日期：2022-01-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：242-252