Resumen

Recientemente, el aprendizaje de características de vista cruzada ha sido un tema candente en el aprendizaje automático debido a las amplias aplicaciones de datos multivista. Sin embargo, la discrepancia de distribución entre las vistas cruzadas conduce al hecho de que las instancias de las diferentes vistas de la misma clase están más separadas que aquellas dentro de la misma vista pero de diferentes clases. Para abordar este problema, en este documento, desarrollamos un novedoso método de aprendizaje de subespacio de características discriminativas de vista cruzada inspirado en la percepción visual en capas de los humanos. En primer lugar, el método propuesto utiliza un modelo de autorrepresentación de baja jerarquía separable para desentrelazar las capas de estructura de clase y vista, respectivamente. En segundo lugar, se construye un alineamiento local con dos grafos diseñados para guiar la descomposición del subespacio de manera pareja. Finalmente, se diseña una restricción discriminativa global en el centro de distribución en cada vista para mejorar aún más el alineamiento. Experimentos extensos de clasificación de vista cruzada

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Vista cruzada; Aprendizaje de características; Datos de múltiples vistas; Discrepancia de distribución; Aprendizaje de subespacios de características discriminativas; Percepción visual
• Keywords:Cross-view; Feature learning; Multiview data; Distribution discrepancy; Discriminative feature subspace learning; Visual perception