10.3778/j.issn.1673-9418.2103085
基于潜在的低秩约束的不完整模态迁移学习
当数据是多模态时,如果在训练阶段没有足够或完整的目标数据可参与训练,则可能导致训练效果较差甚至失败.为了解决该问题,提出了一个基于潜在的低秩约束的不完整模态迁移学习算法(IMTL).所提算法通过两方面来解决不完整模态问题:一方面,基于低秩约束子空间框架,引入潜在因素来挖掘目标域中缺失的模态信息,然后借助具有完整模态的辅助数据集,通过跨模态或跨数据集方向的迁移学习来帮助模态或数据集之间的数据对齐;另一方面,利用少量标记目标数据来完成监督信息对齐从而保持目标数据在迁移学习过程中的内在结构.实验结果表明,所提算法较之于传统的迁移学习算法有明显优势;即使对于不完整的目标数据,也可以显著地提高分类性能.
迁移学习、不完整模态、潜在的低秩约束
16
TP181(自动化基础理论)
江苏省自然科学基金BK20191331
2022-12-22(万方平台首次上网日期,不代表论文的发表时间)
共13页
2775-2787