.png){kind=icon}
返回
A Supervised Variational Autoencoder for Incomplete Multi-View Classification
.png){kind=icon}
PRE
AI
DOI：10.1111/exsy.70172.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管过去几十年在多视角分类方面取得了显著进展，但处理任意视角缺失的多视角数据仍是一个挑战。为解决不完整多视角分类的难题，我们提出了一种名为Supervised Variational Incomplete Multi-View Classification (SVIMC)网络的新型框架，该框架能够补全不完整的多视角数据并执行分类预测。具体而言，我们设计了一种用于缺失视角补全的有监督多视角变分自编码器，该编码器包含一个Product of Experts (PoE)网络，用于获取可用视角的潜在联合表示。随后，将该表示输入到缺失视角的视图特定解码器中，以生成补全结果。此外，我们联合优化分类网络与缺失视角补全模块，使二者能够相互促进。而且，通过采用GradNorm方法，我们显著降低了模型训练的难度。大量实验已证实，在分类准确率、缺失视角补全可视化及消融研究方面，我们的方法均表现出有效性。
Keyword:
GradNorm
incomplete multi-view classification
product of experts
supervised variational autoencoder
期刊
IF:
2.3
论文数:
2.6K
被引数:
3.8K
机构
引用论文
Neighbor-Based Completion for Addressing Incomplete Multiview Clustering基于邻域的补全方法用于解决不完整多视图聚类问题
.png){kind=icon}
PREAI
分享收藏
分享收藏
Tensor idempotent representation with auto-weighted exponential tensor nuclear norm minimization for multi-view clustering张量幂等表示与自动加权指数张量核范数最小化用于多视图聚类
PREAI
分享收藏
查看更多内容