• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Knowledge-Based Systems >Multi-view classification with cross-view must-link and cannot-link side information
【24h】

Multi-view classification with cross-view must-link and cannot-link side information

机译：具有交叉视图必须链接和不能链接边信息的多视图分类

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Side information, like must-link (ML) and cannot-link (CL), has been widely used in single-view classification tasks. However, so far such information has never been applied in multi-view classification tasks. In many real world situations, data with multiple representations or views are frequently encountered, and most proposed algorithms for such learning situations require that all the multi-view data should be paired. Yet this requirement is difficult to satisfy in some settings and the multi-view data could be totally unpaired. In this paper, we propose an learning framework to design the multi-view classifiers by only employing the weak side information of cross-view must-links (CvML) and cross-view cannotlinks (CvCL). The CvML and the CvCL generalize the traditional single-view must-link (SvML) and single-view cannot-link (SvCL), and to the best of our knowledge, are first definitely introduced and applied into the multi-view classification situations. Finally, we demonstrate the effectiveness of our method in our experiments.
机译：辅助信息，如必须链接（ML）和不能链接（CL），已广泛用于单视图分类任务中。但是，到目前为止，此类信息从未应用于多视图分类任务中。在许多现实情况下，经常会遇到具有多种表示形式或视图的数据，并且针对此类学习情况而提出的大多数算法要求将所有多视图数据配对。但是，在某些设置中很难满足此要求，并且多视图数据可能完全不成对。在本文中，我们提出了一个学习框架，该设计框架仅通过使用交叉视图必须链接（CvML）和交叉视图不能链接（CvCL）的弱边信息来设计多视图分类器。 CvML和CvCL概括了传统的单视图必须链接（SvML）和单视图不能链接（SvCL），据我们所知，首先明确地将其引入并应用于多视图分类情况。最后，我们证明了我们的方法在实验中的有效性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号