Prädiktives Subraum-Lernen für Mehransichts-Daten: Ein Ansatz mit großem Margin

Das Lernen aus Mehransichts-Daten ist in vielen Anwendungen wichtig, wie z.B. bei der Bildklassifikation und -annotation. In diesem Papier präsentieren wir ein Lernframework mit großem Margin, um eine prädiktive latente Subraumdarstellung zu entdecken, die von mehreren Ansichten geteilt wird. Unser Ansatz basiert auf einem ungerichteten Markov-Netzwerk im latenten Raum, das eine schwache Annahme zur bedingten Unabhängigkeit erfüllt, dass Mehransichtsbeobachtungen und Antwortvariablen gegeben einer Menge latenter Variablen unabhängig sind. Wir bieten effiziente Methoden für die Inferenz und Parameterschätzung für das latente Subraum-Modell. Schließlich demonstrieren wir die Vorteile des Lernens mit großem Margin anhand von realen Video- und Webbilddaten zur Entdeckung prädiktiver latenter Darstellungen und zur Verbesserung der Leistung bei der Bildklassifikation, -annotation und -abruf.