Deep Partial Multi-View Learning(深度部分多视角学习)

存在问题：很难对不同视图之间的复杂关联进行建模，特别是在视角缺失的情况下。

提出方法：为了解决上述问题，本文提出一种新的框架，称为交叉局部多视图网络(CPM-Nets)，提出该方法的目的在于充分灵活的利用多个局部视图。

方法细节：

• 首先给出了多视图表示完备性和通用性(versatility)的形式化定义；
• 然后从理论上证明了习得隐含表示(latent representation)的通用性；
• 为了完备性，通过模拟数据传输，将学习潜在视图表示的任务具体转化为退化过程，这样就可以隐式的实现不同视图之间一致性和互补性的最佳权衡。
• 我们的模型采用对抗性策略，稳定地对缺失视图进行归因，将每个样本的所有视图信息编码为潜在表示，进一步增强了完整性。
• 此外，引入非参数分类损失来生成结构化表示和防止过拟合，使算法在视图缺失的情况下具有良好的泛化能力。

标签：表示,完备,Multi,Partial,视角,视图,Deep,通用性,缺失
来源： https://www.cnblogs.com/hhhome/p/16676813.html