Learning consistent representation for incomplete multi-view weak multi-label classification

doi:10.1016/j.neucom.2025.131238

Learning consistent representation for incomplete multi-view weak multi-label classification

2025-08-08

0

PRE

AI

DOI：10.1016/j.neucom.2025.131238

原文链接

原文求助

摘要

En 中文

近年来，多视角多标签学习已成为一个热门的跨学科研究课题。在此基础上，本文进一步探讨了不完整多视角弱多标签学习的复杂现实问题。在该问题中，如何有效利用视角间的相互关系，将一致学习目标嵌入模型，已成为一项关键挑战。为解决此问题，我们基于信息噪声对比估计（InfoNCE）损失提出了一个学习一致表示网络（LCRN）。该方法将多视角间的一致性学习转化为伪字典查询问题。通过将查询与正键匹配，将同一样本的不同视角视为正对，从而促进多视角间的一致性学习。得益于将单个视角拆分为查询和键表示的灵活性，我们能够在两视角间的一致性学习中实现互对齐。最后，我们使用缺失视角和缺失标签指示器，以缓解多视角缺失和弱多标签对性能的负面影响。在五个不完整多视角弱多标签数据集上的广泛实验表明，我们的模型取得了有竞争力的结果。

Keyword:

multi-view learning

multi-label learning

consistent representation

InfoNCE loss

missing data handling

Learning consistent representation for incomplete multi-view weak multi-label classification

摘要

期刊

机构

引用论文