Resumen

El aprendizaje semisupervisado es una idea que aborda cómo utilizar una gran cantidad de muestras no etiquetadas y un número limitado de muestras etiquetadas para aprender conocimiento de decisiones juntas. En este documento, proponemos un modelo de aprendizaje semisupervisado multitarea y multivista basado en ecuación diferencial parcial de campo aleatorio y modelo de atributo de género de imagen de probabilidad estándar independiente de Hilbert, es decir, semántica compartida. En el marco del modelo de atributo de género similar a una imagen, los datos de diferentes fuentes de datos se generan a partir de su representación compartida en un espacio oculto. A diferencia del modelo tradicional, este documento utiliza el criterio de independencia de Hilbert para inscribir la relación compartida de expresiones ocultas. Además, para explotar las correlaciones entre las etiquetas en el espacio de etiquetas, este documento utiliza la ecuación diferencial parcial de campo aleatorio para inscribir las correlaciones entre diferentes tipos de etiquetas en el espacio de etiquetas y las correlaciones entre características

• Materias:Ecuaciones diferenciales parciales Ecuación de difusión Sistema de discriminación Singularidad Acoplamiento electromecánico
• Subjects:Partial differential equations Diffusion equation Discrimination system Singularity Electromechanical coupling
• Palabras claves:Aprendizaje semisupervisado; Multitarea multivista; Campo aleatorio de ecuaciones diferenciales parciales; Probabilidad estándar independiente de Hilbert; Semántica compartida; Algoritmo de maximización de expectativas variacionales
• Keywords:Semisupervised learning; Multitask multiview; Partial differential equation random field; Hilbert independent standard probability; Shared semantics; Variational expectation-maximization algorithm