文献

J-GLOBAL ID：201702274796674475   整理番号：17A1641716

マルチビュー学習のための低ランク判別埋込み【Powered by NICT】

Low-Rank Discriminant Embedding for Multiview Learning

著者 (4件)： Li Jingjing (School of Computer Science and Engineering, University of Electronic Science and Technology of China, Chengdu, China) ,  Wu Yue (School of Computer Science and Engineering, University of Electronic Science and Technology of China, Chengdu, China) ,  Zhao Jidong (School of Computer Science and Engineering, University of Electronic Science and Technology of China, Chengdu, China) ,  Lu Ke (School of Computer Science and Engineering, University of Electronic Science and Technology of China, Chengdu, China)
資料名： IEEE Transactions on Cybernetics  (IEEE Transactions on Cybernetics)
巻： 47  号： 11  ページ： 3516-3529  発行年： 2017年 
JST資料番号： W0791A  ISSN： 2168-2267  CODEN： ITCEB8  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,試料が同じ特徴集合異なる確率分布,例えば,異なる視点や異なるモダリティがを持つマルチビュー学習の特定の問題に焦点を当てた。異なる分布にある試料を直接比較できないため,本論文では,入力はこの潜在部分空間から生成されると仮定して複数ビューによる共有潜在部分空間を学習することを目的とした。以前のアプローチは,通常,経験的尤度を最大化する,または幾何学的構造を保存するのいずれかによる共通部分空間を学習する。しかし,二つの目的間の相補性を考慮して,本論文では,両側を最大限に活用することによって,マルチビュー学習のための,低品位識別埋込み(LRDE)と名付けた,新しいアプローチを提案した。データ点間の双対性と多視点シーンの特徴を考慮したことにより,すなわち,データ点は特徴上のそれらの分布に基づいて分類できたが,特徴はデータ点上のそれらの分布に基づいて分類することができ,LRDEは,異なるビューに跨って共有因子を探し出す試料レベルと特徴レベルの両方に低ランク制約を展開するだけでなく,グラフ埋め込みのフレームワークの下で新しいグラフ構造を設計することにより環境試料空間と埋込み特徴空間の両方における幾何学的情報を保存する。LRDEは,統一的フレームワークの中で低ランク表現とグラフ埋め込みを最適化した。多視点方法と一対的における包括的実験は,LRDEは最近の文献で提案された以前の手法よりもはるかに優れていることを実証した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 最適化 ,  双対性 ,  確率分布 ,  相補性 ,  *グラフ
準シソーラス用語： 特徴空間 ,  グラフ構造 ,  グラフ埋込み ,  尤度 ,  部分空間 ,  モダリティ , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： マルチビュー学習 ,  判別 ,  埋込み