核化的多视角特权协同随机矢量功能链接网络及其增量学习方法

摘要：

在许多实际应用场景中,可以从不同层次、不同角度获取相同对象的特征数据,如何有效地利用获取的多视角数据是一个值得研究的问题.和传统的单视角学习相比,多视角学习在多源数据的应用中显示了一定的优势.多角度学习(Multi-View Learning,MVL)面临的一个重要问题是在满足不同视角互补性的前提下如何保持视角之间的一致性.针对以上问题,提出一种新的多视角特权协同核化随机向量功能链接网络(KMPRVFL)来有效地解决多视角分类问题,其基本思想是将冗余视角的额外信息与平均视角上的特权信息相结合来监督当前视角的分类任务,将多视角数据用核化后加权线性组合成综合第二视角.同时,还设计了一种增量学习方法,可以有效地减少计算量.在真实数据集上的实验结果表明,和传统的多视角学习方法相比,KMPRVFL的能力更强,其平均测试精度要优于对比算法.

关键词：多视角学习、特权信息、随机向量函数链接网络、增量学习

所属期刊栏目：58

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金61972181

在线出版日期：2022-07-28（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：275-285