Resumen

El aprendizaje de correlación es una técnica utilizada para encontrar una representación común en conjuntos de datos de dominios cruzados y multivista. Sin embargo, la mayoría de los métodos existentes no son lo suficientemente robustos para manejar datos ruidosos. Como tal, la matriz de representación común aprendida podría ser fácilmente influenciada por muestras ruidosas inherentes en diferentes instancias de los datos. En este documento, proponemos un método novedoso de aprendizaje de correlación basado en una representación de rango bajo, que aprende una representación común entre dos instancias de datos en un subespacio latente. Específicamente, comenzamos aprendiendo una matriz de representación de rango bajo y una matriz de rotación ortogonal para manejar las muestras ruidosas en una instancia de los datos, de modo que una segunda instancia de los datos pueda reconstruir linealmente la representación de rango bajo. Nuestro método luego encuentra una matriz de similitud que aproxima mucho mejor la matriz de representación de rango bajo común, de modo que una restricción de rango en la

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Aprendizaje de correlación; Representación común; Datos ruidosos; Representación de baja dimensionalidad; Matriz de rotación ortogonal; Matriz de similitud
• Keywords:Correlation learning; Common representation; Noisy data; Low-rank representation; Orthogonal rotation matrix; Similarity matrix