快速多视角特权协同随机向量函数连接网络

摘要

现实情况中通常会针对同一对象从不同途径或层面获得特征数据,称这样获得的数据为多视角数据。对于多视角数据的挖掘利用具有研究价值,与传统的单视角学习相比表现出一定优势。多视角学习(MVL)中一个重要的问题是如何在满足视角间互补情况下同时保持视角之间一致性。为解决上述问题,基于多视角学习和特权信息学习(LUPI)概念,以随机向量函数连接网络(RVFL)为基础,提出了一种快速多视角特权协同随机向量函数连接网络(FMPRVFL)来有效地解决多视角分类任务。该方法的基本思想是在平均情况下相互利用冗余视角的附加信息作为特权信息监督当前视角的分类。在此基础上设计的FMPRVFL的目标函数可以利用解析解对目标函数进行优化,从而使FMPRVFL训练速度更快。理论分析表明,与经典的多视角学习方法相比,FMPRVFL可以提供额外的泛化能力。在64个数据集上的实验结果表明,FMPRVFL在平均测试精度和运行时间上都优于比较方法。