Latent Heterogeneous Graph Network for Incomplete Multi-View Learning

要約

近年、多視点学習が急速に進歩しています。
以前の多くの研究では、各インスタンスがすべてのビューに表示されると想定されていますが、実際のアプリケーションでは、一部のビューからインスタンスが欠落し、マルチビュー データが不完全になることがよくあります。
この問題に取り組むために、不完全なマルチビュー学習のための新しい潜在的ヘテロジニアス グラフ ネットワーク (LHGN) を提案します。これは、複数の不完全なビューを柔軟な方法で可能な限り完全に使用することを目的としています。
統一された潜在表現を学習することにより、異なるビュー間の一貫性と補完性のトレードオフが暗黙のうちに実現されます。
サンプルと潜在表現の間の複雑な関係を調査するために、異種グラフを構築するために、初めて近隣制約とビュー存在制約が提案されました。
最後に、トレーニング フェーズとテスト フェーズの間の不一致を回避するために、分類タスクのグラフ学習に基づいて変換学習手法が適用されます。
実世界のデータセットに関する広範な実験結果は、既存の最先端のアプローチに対するモデルの有効性を示しています。

要約(オリジナル)

Multi-view learning has progressed rapidly in recent years. Although many previous studies assume that each instance appears in all views, it is common in real-world applications for instances to be missing from some views, resulting in incomplete multi-view data. To tackle this problem, we propose a novel Latent Heterogeneous Graph Network (LHGN) for incomplete multi-view learning, which aims to use multiple incomplete views as fully as possible in a flexible manner. By learning a unified latent representation, a trade-off between consistency and complementarity among different views is implicitly realized. To explore the complex relationship between samples and latent representations, a neighborhood constraint and a view-existence constraint are proposed, for the first time, to construct a heterogeneous graph. Finally, to avoid any inconsistencies between training and test phase, a transductive learning technique is applied based on graph learning for classification tasks. Extensive experimental results on real-world datasets demonstrate the effectiveness of our model over existing state-of-the-art approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google