Duality in Multi-View Restricted Kernel Machines

要約

教師あり設定と教師なし設定の両方でカーネル主成分分析を行うための、既存の制限されたカーネル マシン手法を単一の主双対マルチビュー フレームワークに結合する統一設定を提案します。
フレームワークの主表現と双対表現を導出し、理論的な観点からさまざまなトレーニングおよび推論アルゴリズムを関連付けます。
主変数を再スケーリングすることによって、主定式化と双対定式化で完全な等価性を達成する方法を示します。
最後に、未確認のテスト データを再帰的に予測し、学習された特徴を視覚化することで、等価性を実験的に検証し、多数の時系列データ セットに対するさまざまな手法間の関係についての洞察を提供します。

要約(オリジナル)

We propose a unifying setting that combines existing restricted kernel machine methods into a single primal-dual multi-view framework for kernel principal component analysis in both supervised and unsupervised settings. We derive the primal and dual representations of the framework and relate different training and inference algorithms from a theoretical perspective. We show how to achieve full equivalence in primal and dual formulations by rescaling primal variables. Finally, we experimentally validate the equivalence and provide insight into the relationships between different methods on a number of time series data sets by recursively forecasting unseen test data and visualizing the learned features.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google