文献

J-GLOBAL ID：201802221123856382   整理番号：18A0196122

適応ラベル伝搬を用いたマルチビューグラフ学習【Powered by NICT】

Multi-view graph learning with adaptive label propagation

著者 (4件)： Li Sheng (Adobe Research, San Jose, CA, USA) ,  Liu Hongfu (Northeastern University, Boston, MA, USA) ,  Tao Zhiqiang (Northeastern University, Boston, MA, USA) ,  Fu Yun (Northeastern University, Boston, MA, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： Big Data  ページ： 110-115  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： グラフは多くのデータマイニングパラダイムにおいて重要な役割を果たす,半教師つき分類など。従来のグラフ学習法は,主として単一視野データからのグラフ構築に焦点を当てた。今日データは,各種センサを用いた複数ビューから収集できる。マルチビューデータからのロバストな信頼性のあるグラフを構築するためにどのようにまだ未解決の問題である。本論文では,半教師つき分類のための適応ラベル伝搬によるマルチビューグラフ学習(MVGL)アプローチを提案した。MVGLは潜在因子抽出,グラフスパース化およびラベル伝搬を単一フレームワークに統合した。視野独立データ表現として多視点データから共有潜在因子を探索し,それに応じてスパースグラフを構築した。一方,ラベル伝搬はグラフ構築中の最適化された適応的である。効率的な最適化アルゴリズムを,モデルを解くために設計した。二つのベンチマークデータセット上での実験結果により,単一ビューとマルチビュー学習ベースラインの両方で顕著な改善を示した。Copyright 2018 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： 基準線 ,  モデル ,  透視図法 ,  ロバスト性 ,  *グラフ ,  最適化 ,  信頼性 ,  センサ ,  データ表現 ,  *学習
準シソーラス用語： 最適アルゴリズム ,  半教師付き分類 ,  *ラベル伝搬 , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 適応 ,  ラベル伝搬 ,  学習