基于双图正则化的自适应多模态鲁棒特征学习

大数据时代,海量多模态数据的广泛存在使得数据特点发生了巨大变化:数据种类繁多且价值密度低。不同种类的数据既独立发挥作用又彼此相辅相成,发现多模态数据背后的隐藏价值成为大数据挖掘的关键。文中主要针对多模态数据的低质性问题,提出一种新的多模态鲁棒特征学习方法。该方法通过引入模态误差矩阵来有效降低噪声数据对融合结果的影响,使算法具备一定的鲁棒性。此外,设计数据流形与特征流形双图正则化机制,描述模态数据的双重空间结构,确保融合过程中数据的稳定性。在6个实际的多模态数据集上,基于准确性(Accuracy,ACC)、标准化互信息(Normalized Mutual Information,NMI)以及纯度(Purity,PUR)3种评价指标,将其与近年来的多种经典算法进行比较。实验结果显示,所提方法优于所有对比算法,尤其在含有大量噪声信息的网络数据集Webkb上表现突出,其ACC和NMI指标相比基线算法提升约10%,表明该算法实现了对多模态大数据共享特征的准确学习。