Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Robust Multi-View Learning via Representation Fusion of Sample-Level Attention and Alignment of Simulated Perturbation

Created by
  • Haebom

作者

Jie Xu, Na Zhao, Gang Niu, Masashi Sugiyama, Xiaofeng Zhu

概要

本論文は、多様な形態のデータを統合するマルチビュー学習(MVL)の限界を克服するために、表現融合と整列を同時に行う強固なMVL法(RML)を提案します。 RMLは、異種マルチビューデータを均質な単語埋め込みに変換し、サンプルレベルのアテンションメカニズムを介して融合表現を取得するマルチビュートランスフォーマー融合ネットワークを使用します。また、不完全なデータ条件をシミュレートするためにシミュレーションベースの摂動を活用したマルチビュー対照学習フレームワークを提案し、ノイズのあるデータと使用できないデータから得られた2つの融合表現を対照学習を通じて整列し、差別的で堅牢な表現を学習します。 RMLは自己地図学習方式であり、マルチビュー非マップクラスタリング、ノイズラベル分類、クロスモーダルハッシュ検索用のプラグアンドプレイモジュールとして使用できます。実験の結果、RMLの有効性を検証します。

Takeaways、Limitations

Takeaways:
異種マルチビューデータを効果的に統合する新しいMVL法の提示
ノイズや不完全なデータに堅牢な表現学習が可能
自己地図学習方式で個別のラベルデータは不要
様々なダウンストリームタスク(非マップクラスタリング、ノイズラベル分類、クロスモーダルハッシュ検索)に適用可能
プラグアンドプレイモジュールとして利用可能
Limitations:
提案方法の計算コストと複雑さの分析不足
さまざまな種類のノイズと不完全なデータに対する一般化性能の追加検証が必要
特定のタイプのマルチビューデータに対する偏向可能性の存在
実験データセットの多様性の欠如の可能性(追加のさまざまなデータセットで検証が必要)
👍