Multi-view Fuzzy Representation Learning with Rules based Model

要約

教師なしマルチビュー表現学習は、マルチビュー データをマイニングするために広く研究されてきました。
ただし、いくつかの重要な課題が残っています。
一方で、マルチビュー データにはビュー間の共通情報と各ビュー内の特定の情報の両方が含まれるため、既存の方法では通常、ビュー間の共通表現を学習するため、マルチビュー データを包括的に調査することはできません。
一方、データ間の非線形関係を調べるには、マルチビュー表現の学習にカーネルまたはニューラル ネットワーク手法が一般的に使用されます。
しかし、これらの方法は解釈可能性に欠けています。
この目的を達成するために、本論文では、解釈可能なTakagi-Sugeno-Kang (TSK) ファジィシステム (MVRL_FS) に基づく新しいマルチビューファジィ表現学習方法を提案します。
この手法は 2 つの側面から多視点表現学習を実現します。
まず、マルチビュー データが高次元のファジー特徴空間に変換され、同時にビュー間の共通情報と各ビューの固有情報が探索されます。
第二に,L_(2,1)ノルム回帰に基づく新しい正則化法を提案して,データの幾何学的構造をラプラシアングラフを通じて保存しながら,ビュー間の一貫性情報をマイニングした。
最後に、提案された方法の優位性を検証するために、多くのベンチマーク マルチビュー データセットに対する広範な実験が行われます。

要約(オリジナル)

Unsupervised multi-view representation learning has been extensively studied for mining multi-view data. However, some critical challenges remain. On the one hand, the existing methods cannot explore multi-view data comprehensively since they usually learn a common representation between views, given that multi-view data contains both the common information between views and the specific information within each view. On the other hand, to mine the nonlinear relationship between data, kernel or neural network methods are commonly used for multi-view representation learning. However, these methods are lacking in interpretability. To this end, this paper proposes a new multi-view fuzzy representation learning method based on the interpretable Takagi-Sugeno-Kang (TSK) fuzzy system (MVRL_FS). The method realizes multi-view representation learning from two aspects. First, multi-view data are transformed into a high-dimensional fuzzy feature space, while the common information between views and specific information of each view are explored simultaneously. Second, a new regularization method based on L_(2,1)-norm regression is proposed to mine the consistency information between views, while the geometric structure of the data is preserved through the Laplacian graph. Finally, extensive experiments on many benchmark multi-view datasets are conducted to validate the superiority of the proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google