Aprendizaje Predictivo en Subespacios para Datos de Múltiples Perspectivas: un Enfoque de Gran Margen

El aprendizaje a partir de datos de múltiples perspectivas es importante en muchas aplicaciones, como la clasificación y anotación de imágenes. En este trabajo, presentamos un marco de aprendizaje de gran margen para descubrir una representación latente predictiva compartida por múltiples perspectivas. Nuestro enfoque se basa en una red de Markov en un espacio latente no dirigido que cumple con una suposición de independencia condicional débil, la cual establece que las observaciones de múltiples perspectivas y las variables de respuesta son independientes dado un conjunto de variables latentes. Proporcionamos métodos eficientes de inferencia y estimación de parámetros para el modelo de subespacio latente. Finalmente, demostramos las ventajas del aprendizaje de gran margen en datos reales de videos y de imágenes en la web para descubrir representaciones latentes predictivas y mejorar el rendimiento en la clasificación, anotación y recuperación de imágenes.