NMVL-IV

新的具有不完整数据的多视角学习机（NMVL-IV）

背景

对于处理缺失特征或者视角的学习机，目前一些经典算法是通过删除策略，直接删除不完整样本，但这大大减少了可用于学习的样本数量。

因此为了解决上述问题，Xu开发了MVL-IV模型:

首先该模型获取相应样本的低秩假设矩阵，然后MVL-IL将低秩矩阵分解为特征矩阵和系数矩阵。这时候特征矩阵就是样本另一种形式，并可通过系数矩阵将特征矩阵转换成样本矩阵。

在 MVL-IL 中，不同的视角具有不同的不同特征矩阵，同时共享相同的系数矩阵。通过最小化所有视角的相应低秩假设矩阵与其分解矩阵乘积之间的总差，MVL-IL 可以尝试尽可能多地恢复特征或视角。此外，这样做，MVL-IL 利用了多个视角之间的连接，并建议从共享子空间生成不同的视角，这使得 MVL-IV 可以通过将其他观察到的视角中的信息集成到该子空间中来估计不完整的视角

贡献

与 MVL-IV 相比，拟议的 NMVL-IV 至少有两个贡献。

1. NMVL-IV 考虑了视角的不同信息，而不认为它们来自共享子空间。
2. NMVL-IV 恢复丢失的数据，并保证了恢复的数量和质量。

改进：

首先，在我们的 NMVL-IV 中，我们假设每个样本都有其标签。这表明 NMVL-IV仅适用于有监督数据集，我们将把 NMVL-IV 模型扩展到半监督数据集。

其次，在 NMVL-IV 模型中使用的分类器是线性的，因此在我们未来的工作中，我们将利用非线性分类器来实现 NMVL-IV 模型，并尝试找出在 NMVL-IV模型中使用的非线性分类器可以带来更好的恢复效果。

第三，NMVL-IV 中未考虑数据集的局部信息，因此这对我们将来的考虑很有必要。

第四，在我们的 NMVL-IV 中，为方便起见，我们不考虑特征和视角的权重，并认为它们的作用是相同的，可通过结合WMVC结合