【技术实现步骤摘要】
本专利技术涉及非负矩阵分解、图匹配技术、非对齐多视图学习、多标记分类，具体涉及一种基于图匹配机制的非对齐多视图多标记学习方法。
技术介绍
1、大规模的互联网发展，大数据与人工智能技术应用的普及，随之也带来了海量的多视图多标记数据。多视图多标记学习作为解决此类问题的主要架构得到了广泛的关注。在多视图多标记学习任务中，每个样本对象由多种异构的视图信息进行表示，同时标注有若干相关联的标记。然而现有的多视图多标记学习方法通常是探索跨视图的相关信息和互补信息。这些信息的探寻通常是基于视图对齐关系(不同视图中的实例描述同一对象)。然而，由于空间、时间或时空异步导致，这种视图对齐关系可以变为部分视图对齐或视图非对齐关系。如：在视频推荐中，标记数据来自不同的视频软件，但由于用户的隐私保护原则，不能将这些数据与同一用户进行匹配和对齐。在人脸识别领域，由于人脸特征检测失败，多视图人脸无法对齐，这会导致人脸表情识别无法进行。现有多视图多标记学习模型无法直接从这些非对齐数据中学习到鲁棒的多标记分类模型。
2、为此，本专利技术提出一种基于图匹配机制的...
【技术保护点】
1.基于图匹配机制的非对齐多视图多标记学习方法，其特征在于，首先获取非对齐多视图多标记数据，对非对齐多视图多标记数据进行存储、预处理和数据集划分，形成样本数据集；基于样本数据集中的训练数据，构建特征矩阵、可观测标记矩阵；根据特征矩阵、可观测标记矩阵非对齐数据对齐：1)通过置换矩阵对非对齐数据进行显式的对齐，即样本之间点对点的一阶对齐；2)利用不同视图中样本的距离矩阵对视图进行图结构上的二阶对齐，从而提高模型的对齐准确性；挖掘对齐的数据视图间“共性-个性”的表达，利用跨视图的一致性和互补性构建基于图匹配机制的非对齐多视图多标记学习模型；通过交替优化方法对模型进行训练，直...
【技术特征摘要】
1.基于图匹配机制的非对齐多视图多标记学习方法，其特征在于，首先获取非对齐多视图多标记数据，对非对齐多视图多标记数据进行存储、预处理和数据集划分，形成样本数据集；基于样本数据集中的训练数据，构建特征矩阵、可观测标记矩阵；根据特征矩阵、可观测标记矩阵非对齐数据对齐：1)通过置换矩阵对非对齐数据进行显式的对齐，即样本之间点对点的一阶对齐；2)利用不同视图中样本的距离矩阵对视图进行图结构上的二阶对...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。