多视图多示例多标签的协同矩阵分解

嘿，记得给“机器学习与推荐算法”添加星标

---

题目: Multi-View Multi-Instance Multi-Label Learning based on Collaborative Matrix Factorization

会议: AAAI 2019

论文: https://arxiv.org/pdf/1905.05061.pdf

1 Motivation

1、现有的M3L方法仅仅探索了部分实体（包，实例和标签）之间的关系，而这些实体之间的关系可以给M3L方法提供丰富的上下文信息，因此，现有的M3L方法性能次优；

2、大部分的MIML算法仅关注单视图数据，但是，在实际应用中，通常可以通过不同的视图来表示多实例多标签对象。

2 Related work

由于包之间以及实例之间存在多种类型的关系,与最近大量研究的MIML任务相比，从多视图包中学习更加困难和挑战。当前已有不少研究工作致力于解决这样一种挑战。如表1所示：

尽管这些方法在努力解决多视图MIML学习问题，但是这些方法仅考虑了包之间和实例之间有限的关系类型。

3 Methodology

所提模型主要包括两部分，一部分是异质网络的构建，另一部分是协同关系矩阵分解。

3.1 Heterogeneous Network Construction

1、construct a subnetwork of instances for each feature view

利用高斯热核为每个特征视图中的实例构建子网，其中 为第v个视图中m个实例的平均欧氏距离。

2、construct a bag subnetwork for each feature view

利用豪斯多夫距离为每个试图中的包构建子网

3、construct a subnetwork of labels

利用cosine相似度来量化标签相关性，其中 和 为两个标签， 是标签c在所有包中的分布。

以上三部分便构建完了实例-实例，包-包，标签-标签的子网，另外，通过数据集的信息，作者继续构建包-实例，包-标签，实例-标签之间的数据矩阵。

4、The bag-instance inter-relational data matrix