机构名称：
¥ 1.0
摘要 - 在多视图环境中，由于观察过程的限制，它将产生缺失的观察结果。最新的表示学习方法难以通过简单地填充缺少的视图数据或通过推断现有观点中的一致表示来固定来探索完整信息。为了解决这个问题，我们提出了一个深层生成模型，以学习完整的生成潜在表示，即完整的多视图变化自动编码器（CMVAE），该模型由由高斯分布的混合物表示的完整潜伏变量产生多个视图的生成。因此，缺失的视图可以完全以潜在变量为特征，并通过估计其后验分布来解决。因此，引入了一种新颖的变分下限，以将视图不变信息整合到后推理中，以增强学习潜在的表示的凝固性。挖掘了视图之间的固有相关性，以寻求跨视图的通用性，而导致视图丢失的信息则通过视图权重达到坚固性来融合。基准实验结果在聚类，分类和跨视图图像生成任务中证明了CMVAE的优势，而时间的复杂性和参数灵敏度分析则说明了效率和鲁棒性。此外，应用于生物启发性数据的应用例证其实际意义。
实现不完整的多视图学习
主要关键词
相关文件推荐
