Apprentissage Subspace Prédictif pour Données Multimodales : une Approche à Grande Marge

L'apprentissage à partir de données multimodales est important dans de nombreuses applications, telles que la classification et l'annotation d'images. Dans cet article, nous présentons un cadre d'apprentissage à grande marge pour découvrir une représentation sous-espace latent prédictive partagée par plusieurs vues. Notre approche est basée sur un réseau de Markov à espace latent non dirigé qui respecte une hypothèse d'indépendance conditionnelle faible selon laquelle les observations multimodales et les variables de réponse sont indépendantes étant donné un ensemble de variables latentes. Nous fournissons des méthodes d'inférence et d'estimation des paramètres efficaces pour le modèle d'espace latent. Enfin, nous démontrons les avantages de l'apprentissage à grande marge sur de vraies données vidéo et d'images web pour découvrir des représentations latentes prédictives et améliorer les performances en classification, annotation et récupération d'images.