Adaptive Collaborative Similarity Learning für unüberwachtes Multi-View-Feature-Selection

In diesem Papier untersuchen wir das Forschungsproblem der unüberwachten Multi-View-Feature-Selection. Konventionelle Lösungen kombinieren zunächst einfach mehrere vorkonstruierte, ansichtsspezifische Ähnlichkeitsstrukturen zu einer kollaborativen Ähnlichkeitsstruktur und führen dann die anschließende Merkmalsauswahl durch. Diese beiden Prozesse sind getrennt und unabhängig. Die kollaborative Ähnlichkeitsstruktur bleibt während der Merkmalsauswahl fix. Darüber hinaus kann die einfache ungerichtete Ansichtskombination die Zuverlässigkeit der endgültigen Ähnlichkeitsstruktur für die Merkmalsauswahl nachteilig reduzieren, da die ansichtsspezifischen Ähnlichkeitsstrukturen im Allgemeinen Rauschen und Ausreißer enthalten. Um diese Probleme zu lindern, schlagen wir ein adaptives kollaboratives Ähnlichkeitslernen (ACSL) für die Multi-View-Feature-Selection vor. Wir schlagen vor, die kollaborative Ähnlichkeitsstruktur dynamisch zu lernen und sie weiter mit der endgültigen Merkmalsauswahl in einen einheitlichen Rahmen zu integrieren. Darüber hinaus wird ein vernünftiger Rangbeschränkung entworfen, um adaptiv eine ideale kollaborative Ähnlichkeitsstruktur mit angemessenen Ähnlichkeitskombinationsgewichten und wünschenswerter Nachbarzuweisung zu lernen, die beide die Merkmalsauswahl positiv unterstützen könnten. Eine effektive Lösung, die mit der bewiesenen Konvergenz garantiert wird, wird abgeleitet, um iterativ das formulierte Optimierungsproblem zu lösen. Experimente zeigen die Überlegenheit des vorgeschlagenen Ansatzes.