.png){kind=icon}
返回
Semantic Invariant Representation Learning and Data-Driven Label Prototype Modeling for Incomplete Multi-view Multi-label Classification
.png){kind=icon}
PRE
AI
DOI：10.1007/s11263-026-03025-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多视图数据包含多种形式，包括多模态、多序列和多特征数据。不完整多视图多标签学习旨在当部分视图和标签缺失时进行多标签分类，这使得融合多视图输入的丰富语义与多标签固有的类间相关性具有挑战性。本研究基于共享信息对预测语义内容的充分性，力求最大化跨视图的共享信息比例，以提高信息压缩的有效性。为此，我们引入了一种信息瓶颈模型，用于学习跨视图共享表示。通过权衡信息量和冗余度，该模型增强了编码器提取的任务相关信息纯度。此外，为解决多标签设置问题，我们显式建模标签的原型分布，并基于逆最优传输提出了双层优化框架。我们的框架在五个公开基准上优于当前最优方法，并对缺失和完整数据均具有鲁棒性。最后，实验表明，在多视图信息的编码和压缩过程中平衡共享信息压缩与有效信息提取的重要性。
Keyword:
Multi-view multi-label classification
Incomplete multi-view learning
Multi-view semantic invariance
Information bottleneck
Label prototype modeling
期刊
IF:
9.3
论文数:
3.9K
被引数:
2.8W
机构
引用论文
.png){kind=icon}
MG-GCN: Multi-Granularity Graph Convolutional Neural Network for Multi-Label Classification in Multi-Label Information SystemMg-gcn: 多标签信息系统中多标签分类的多粒度图卷积神经网络
PREAI
分享收藏
A Performance Evaluation of Deep Learning-Based Image Classification Models on Noisy and Augmented Datasets基于深度学习的图像分类模型在噪声和增强数据集上的性能评估
PREAI
分享收藏
查看更多内容