Resumen

El aprendizaje de representaciones de características es un tema clave en la investigación de inteligencia artificial. Los datos multimedia multivista pueden proporcionar información rica, lo que hace que la representación de características se convierta en uno de los puntos calientes actuales en el análisis de datos. Recientemente, se han propuesto una gran cantidad de métodos de representación de características de datos multivista, entre los cuales la factorización de matrices muestra un rendimiento excelente. Por lo tanto, proponemos un método de factorización de matrices de base profunda multivista ponderado adaptativamente (AMDBMF) que integra la factorización de matrices, el aprendizaje profundo y la fusión de vistas juntos. Específicamente, primero realizamos la factorización de matrices de base profunda en los datos de cada vista. Luego, todas las vistas se integran para completar el procedimiento de aprendizaje de características multivista. Finalmente, proponemos una estrategia de ponderación adaptativa para fusionar las características de baja dimensión de cada vista para que se pueda obtener una representación de características unificada para datos multimedia multivista. También diseñ

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Aprendizaje de representación de características; Datos multimedia de múltiples vistas; Factorización de matrices; Aprendizaje profundo; Factorización de matrices de base profunda de múltiples vistas ponderadas adaptativamente; Fusión de vistas
• Keywords:Feature representation learning; Multiview multimedia data; Matrix factorization; Deep learning; Adaptive-weighted multiview deep basis matrix factorization; View fusion