多視圖學(xué)習(xí)研究及其算法改進(jìn).pdf

1、隨著數(shù)據(jù)采集技術(shù)的不斷發(fā)展，人們獲得的數(shù)據(jù)常常具有多個(gè)視角，形成多視圖數(shù)據(jù)，如何有效利用多視圖數(shù)據(jù)進(jìn)行高效學(xué)習(xí)是一項(xiàng)具有挑戰(zhàn)性的工作。本文研究了多視圖數(shù)據(jù)上的遷移學(xué)習(xí)、數(shù)據(jù)降維以及聚類問題，并在現(xiàn)有的多視圖學(xué)習(xí)方法基礎(chǔ)上提出改進(jìn)。
　　本文首先研究了多源多視圖遷移學(xué)習(xí)算法并提出改進(jìn)，給出了基于視圖一致性的多視圖遷移學(xué)習(xí)算法。該算法使用高斯混合模型代替高斯過程估算源域和目標(biāo)域的密度比，更準(zhǔn)確地描述了源域和目標(biāo)域的分布差異。同時(shí)，通過

2、在樣本選擇公式中添加預(yù)測差異項(xiàng)，選擇更具標(biāo)簽一致性的源域樣本，融入了多視圖樣本的標(biāo)簽一致性信息，因此改進(jìn)后的算法提升了多視圖數(shù)據(jù)的分類性能。其次，研究了多視圖半監(jiān)督降維方法，該方法通過最小化不同視圖的差異性獲得一致性低維表示，適用于多視圖數(shù)據(jù)降維。由于該方法要求各視圖數(shù)據(jù)必須完全一一配對，因此不能處理半配對數(shù)據(jù)降維問題。本文對多視圖半監(jiān)督降維方法做了改進(jìn)，在計(jì)算不同視圖差異性時(shí)只使用少量配對數(shù)據(jù)，避免強(qiáng)制配對帶來的負(fù)作用。同時(shí)，為了獲得

3、更具可分性的一致性低維表示，對每個(gè)視圖的轉(zhuǎn)換矩陣進(jìn)行稀疏化，給出了基于字典學(xué)習(xí)的稀疏多視圖降維方法，該方法提升了多視圖數(shù)據(jù)降維后的低維表示的分類性能。最后，研究了基于馬爾科夫鏈的譜聚類算法，并分析了其存在的問題。針對該算法不能處理多視圖聚類的問題，我們通過最大化不同視圖的相似性，獲得多視圖數(shù)據(jù)的共享隱藏相似度矩陣。然而，經(jīng)典的歐式距離度量不能正確反映不同視圖的相似性，我們使用基于角度的相似性度量。此外，多視圖數(shù)據(jù)中可能包含噪聲干擾，如果