抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
著しい進歩にもかかわらず,以前のマルチビュー教師なし特徴選択法は,ほとんど2つの限界に悩まされている。最初に,それらは,一般的にクラスタ構造または類似性構造を利用して,特徴選択をガイドし,相互利益を有する共同定式化の可能性を無視する。第2に,それらは大域的構造学習または局所構造学習のいずれかによって類似性構造をしばしば学習し,それはグローバルおよび局所的構造認識の両方によるグラフ学習の能力を欠いている。これを考慮して,本論文は,共同マルチビュー教師なし特徴選択とグラフ学習(JMVFG)方式を提示した。特に,直交分解による多視点特徴選択を定式化し,ここでは各ターゲット行列をビュー固有基底行列とビューコンシステントクラスタ指標に分解した。交差空間局所性保存を組み込み,投影空間におけるクラスタ構造学習と元の空間における類似性学習(すなわちグラフ学習)を橋渡しした。さらに,クラスタ構造,大域的および局所類似性構造の同時学習,およびマルチビュー一貫性と不整合を可能にする統一目的関数を提示し,それに関して,交互最適化アルゴリズムを,理論的に証明した収束によって開発した。多様な実世界マルチビューデータセットに関する広範な実験は,マルチビュー特徴選択とグラフ学習タスクの両方に対する提案アプローチの優位性を実証した。コードはhttps://github.com/huangdonghere/JMVFGで利用可能である。【JST・京大機械翻訳】