非线性映射挖掘视图互补信息的多视图深度学习

发布时间：2021-01-02 08:50

　　多视图学习包含两个主要假设,即多视图数据中的一致性和互补性,一致性假设指多视图数据中各视图数据间存在被共享的一致性信息,互补性假设指多视图数据中各视图数据都包含其他视图数据中未包含的信息。但是,当下的多视图学习算法主要是通过矩阵因式分解等经典的机器学习算法对一致性和互补性中的一种假设展开研究。因此,当前的多视图算法,在使用深度学习同时学习多视图数据的一致性和互补性的方向上,仍是一个开放性的问题。为使深度神经网络同时利用多视图数据的一致性和互补性,本文首先提出深度神经网络结构的基准模型,该模型通过自编码器组成的编码模块学习多视图数据的一致性信息,通过最大值池化、平均值池化和加权求和学习多视图数据的互补信息,产生包含多视图数据一致性和互补性的特征向量,最后通过全连接层完成预测。基准模型仅能探索多视图数据的一种互补形式,为探索多种互补形式,本文基于基准模型又提出多视图自注意力机制神经网络,该模型在使用自注意力机制学习多个包含多视图数据互补信息的特征向量后,级联各特征向量,产生包含多视图数据一致性和多种互补性的增广向量。基准模型和多视图自注意力机制神经网络都是通过向量运算挖掘多数据视图的互补性... 

【文章来源】：中国石油大学(北京)北京市 211工程院校 教育部直属院校

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
引言
第1章 多视图学习的研究进展
    1.1 多视图算法和多视图学习任务介绍
        1.1.1 协同训练算法
        1.1.2 协同正则化算法
        1.1.3 裕度一致性算法
        1.1.4 其他多视图学习任务
    1.2 多视图深度学习
第2章 基准模型
    2.1 基准模型结构介绍
        2.1.1 基准模型中的编码模块
        2.1.2 基准模型中的信息融合
        2.1.3 基准模型中的目标函数
    2.2 实验结果
        2.2.1 数据集介绍
        2.2.2 各数据集上模型参数设置
        2.2.3 实验结果及分析
        2.2.4 模型的收敛性分析
    2.3 本章小结
第3章 多视图自注意力机制神经网络
    3.1 自注意力机制介绍
    3.2 多视图自注意力机制神经网络
        3.2.1 多视图自注意力机制神经网络框架
        3.2.2 目标函数和正则化项
    3.3 实验结果
        3.3.1 实验数据和参数设置
        3.3.2 对比算法
        3.3.3 实验结果及分析
        3.3.4 多视图自注意模型的收敛性分析
    3.4 本章小结
第4章 多视图胶囊网络
    4.1 胶囊网络介绍
        4.1.1 胶囊网络中胶囊层的输入和输出
        4.1.2 胶囊网络中胶囊层的输入和输出
        4.1.3 胶囊网络损失函数
        4.1.4 CapsNet网络框架
        4.1.5 胶囊网络CapsNet的实验结果和分析
    4.2 多视图胶囊网络
        4.2.1 多视图胶囊网络结构
        4.2.2 目标函数
    4.3 实验结果
        4.3.1 实验数据、参数设置及对比方法
        4.3.2 实验结果及分析
        4.3.3 多视图胶囊网络的收敛性分析
    4.4 本章小结
第5章 结论
参考文献
致谢



本文编号：2953051