题名 基于解耦变分自编码器的多视图表示学习
1
作者
王刘洋
林仁军
机构
广东工业大学
出处
《工业控制计算机》
2023年第11期87-89,共3页
文摘
为了高效利用多视图数据之间的一致性和互补性信息,提出了一种多视图解耦的变分自编码器(MVDVAE,Multi-View Disentangled Variational Auto-Encoder)模型。该模型针对一致性信息提出了一种基于变分自编码器(VAE,Variational Auto-Encoder)的分布对齐和加权融合策略,可以达到视图间共有信息的一致性;其次,为了保留各视图的特有信息以及解耦一致性和互补性,提出了强化重建损失,去保留采样后的互补性信息。实验结果表明,该模型相较于其他方法在三个真实数据集上都有较大的提升。
关键词
变分自编码器
多视图表示学习
一致性和互补性信息
Keywords
variational auto-encoder
multi-view representation learning
consistent and complementary information
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
题名 基于多视图自编码器的多被试者脑影像功能校准
2
作者
黄硕
孙亮
汪美玲
张道强
机构
南京航空航天大学脑机智能技术教育部重点实验室
南京航空航天大学计算机科学与技术学院
出处
《计算机科学》
CSCD
北大核心
2024年第3期141-146,共6页
基金
国家自然科学基金(62136004,61732006,62006115,62106104)
国家重点研发计划(2018YFC2001600,2018YFC2001602)
+1 种基金
中国博士后科学基金(2022T150320)
中国人工智能协会(CAAI)-华为MindSpore开放基金。
文摘
功能磁共振成像(functional Magnetic Resonance Imaging,fMRI)研究面临的主要挑战之一是不同被试者fMRI数据的异质性。一方面,多被试数据分析对于确定所生成结果跨被试的通用性和有效性至关重要。另一方面,分析多被试者fMRI数据需要在不同被试者的神经活动之间进行准确的解剖和功能校准,以提升最终结果的性能。然而,现有大多数功能校准研究都采用浅层模型来处理多被试者间的复杂关系,这严重束缚了多被试信息的建模能力。为此,提出了一种基于多视图自编码器的功能校准(Multi-view Auto-encoder Functional Alignment,MAFA)方法。具体地,该方法通过重构不同被试者的响应空间来学习节点嵌入,捕获不同被试者之间共享的特征表示,从而创建一个公共的响应空间。此外,通过引入自训练聚类目标,利用高置信度节点作为软标签来监督图聚类过程。在4个数据集上的实验结果表明,相比其他多被试者脑影像功能校准方法,所提方法在解码精度方面取得了最佳效果。
关键词
功能磁共振成像
功能校准
多视图表示学习
多被试分析
脑解码
Keywords
Functional magnetic resonance imaging
Functional alignment
Multi-view representation learning
Multi-subject analysis
Brain decoding
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 面向不完整多视图聚类的深度互信息最大化方法
被引量:1
3
作者
张智慧
杨燕
张熠玲
机构
西南交通大学计算机与人工智能学院
出处
《智能系统学报》
CSCD
北大核心
2023年第1期12-22,共11页
基金
国家自然科学基金项目(61976247)。
文摘
多视图聚类是无监督学习领域研究热点之一,近年来涌现出许多优秀的多视图聚类工作,但其中大多数方法均假设各视图是完整的,然而真实场景下数据收集过程极容易发生缺失,造成部分视图不完整。同时,很多方法采取传统机器学习方法(即浅层模型)对数据进行特征学习,这导致模型难以挖掘高维数据内的复杂信息。针对以上问题,本文提出一种面向不完整多视图聚类的深度互信息最大化方法。首先利用深度自编码器挖掘各视图深层次的隐含特征,并通过最大化潜在表示间的互信息来学习各视图间的一致性知识。然后,对于不完整视图中的缺失数据,利用多视图的公共潜在表示进行补全。此外,本文采用一种自步学习策略对网络进行微调,从易到难地学习数据集中的样本,得到更加宜于聚类的特征表示。最后,在多个真实数据集上进行实验,验证了本文方法的有效性。
关键词
数据挖掘
聚类
不完整多视图 聚类
多视图表示学习
深度学习
自编码器
互信息
自步学习
Keywords
data mining
clustering
incomplete multi-view clustering
multi-view representation learning
deep learning
autoencoder
mutual information
self-paced learning
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 基于深度图正则化矩阵分解的多视图聚类算法
被引量:3
4
作者
刘相男
丁世飞
王丽娟
机构
中国矿业大学计算机科学与技术学院
徐州工业职业技术学院信息与电气工程学院
出处
《智能系统学报》
CSCD
北大核心
2022年第1期158-169,共12页
基金
国家自然科学基金项目(61976216,61672522).
文摘
针对现实社会中由多种表示或视图组成的多视图数据广泛存在的问题,深度矩阵分解模型因其能够挖掘数据的层次信息而备受关注,但该模型忽略了数据的几何结构信息。为解决以上问题,本文提出基于深度图正则化矩阵分解的多视图聚类算法,通过获取每个视图的局部结构信息和全局结构信息在逐层分解中加入两个图正则化限制,保护多视图数据的几何结构信息,同时将视图的权重与特征表示矩阵进行结合获得共识表示矩阵,最大化视角间的互补性,保证数据的一致性和差异性。除此之外,本文使用迭代更新变量的方法最小化目标函数,不断优化模型并进行收敛性分析。将本文算法和多个算法在三个人脸数据集和两个图像数据集上运行,通过多项指标的对比可以看出本文提出的算法具备良好的性能表现。
关键词
多视图 聚类
深度矩阵分解
几何结构
图正则化
矩阵分解
多视图表示学习
层次结构信息
深度学习
Keywords
multi-view clustering
deep matrix factorization
geometric structure
graph regularization
matrix factorization
multi-view representation learning
hierarchical structure information
deep learning
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]