多视图数据的增量式鲁棒融合模型

摘要

现有多视图融合方法大多通过区分共享特征和独有特征来减少信息冗余.然而，当融合的视图质量较差时，盲目融合会导致模型性能下降，即发生负迁移.针对此问题，提出一种新颖的无监督多视图数据的增量式鲁棒融合模型(MVIF),将多视图分为目标视图和辅助视图，借助编码器学习各视图的独有特征和不同视图之间的共享特征.该模型使用互信息和跨视图重构对学习到的共享特征施加一致性约束，对独有特征施加相关性约束，并联合互信息和重构约束构建信息瓶颈进行联合优化.最终利用辅助视图中与目标视图相关的信息来补充增强目标视图，得到增量式鲁棒融合表示用于下游任务.在真实数据集上进行的广泛实验证明该模型是有效的，对负迁移具有良好的鲁棒性.

关键词

多视图 / 负迁移 / 互信息 / 跨视图重构 / 信息瓶颈