Aprendizado Preditivo em Subespaço para Dados Multivista: uma Abordagem de Grande Margem

Aprender a partir de dados multivista é importante em muitas aplicações, como classificação e anotação de imagens. Neste artigo, apresentamos uma estrutura de aprendizado de grande margem para descobrir uma representação latente preditiva compartilhada por múltiplas vistas. Nossa abordagem se baseia em uma rede de Markov de espaço latente não direcionada que atende a uma suposição de independência condicional fraca, que observa e variáveis de resposta multivista são independentes dado um conjunto de variáveis latentes. Fornecemos métodos eficientes de inferência e estimativa de parâmetros para o modelo de subespaço latente. Por fim, demonstramos as vantagens do aprendizado de grande margem em dados de vídeo reais e imagens da web para descobrir representações latentes preditivas e melhorar o desempenho em classificação, anotação e recuperação de imagens.