增强多视图学习中图卷积网络的可解释性

从异构数据源收集并以多种格式呈现的多媒体数据呈爆炸式增长，催生了综合性多视图或多模态数据集的形成，促进了更深入的分析和洞察。这些数据集涵盖了由不同传感器捕获的各种物理特征，这使得各视图之间的数据质量分布不均匀。近年来，图卷积网络（GCNs）引起了学术界的广泛关注，并在众多应用领域得到了广泛应用。然而，由于其复杂的内部运行机制，GCNs 通常被视为黑盒模型，从而对其决策过程的理解和解释构成了重大挑战。GCNs 缺乏可解释性降低了对其预测结果的信任度，并使得识别和解决潜在偏差变得困难。为解决这些问题，我们提出了一种通用的多视图图卷积网络，并将其应用于半监督分类任务。通过最大化子空间独立性并限制网络传输权重，我们旨在从空间域和传输域两个维度为所构建的网络框架赋予可解释性。主要贡献总结如下：首先，我们提出了一种通用且高效的多视图表征图学习框架，简化了特征融合和下游分类任务。其次，我们设计了两种学习策略，分别侧重于约束前向传播权重和最大化子空间独立性，以有效捕获多视图之间的固有特征并稳定传播标签信息。最后，我们基于所提出的框架开发了一个联合网络，该网络整合了约束权重和学习到的嵌入，以突出每个视图中信息量最丰富的特征。我们在八个基准数据集上进行了广泛的实验，所提出的方法始终优于十种前沿方法，证明了其在各种多视图学习任务中的卓越有效性。