朱昌明 高玉森

摘要：由于受限于人工成本，很多现实世界中的多视角数据集是由少量有标签样本和大量无标检样本组成的。当前传统的多视角矩阵分类器无法有效处理这类数据集。为了处理这个问题，将Universum学习引入多视角矩阵分类器中，提出基于信息增强的多视角矩阵分类器。由于Universum学习可以生成额外的无标签样本，这类样本虽然没有被指定类别标签，但是包含了部分有标签样本的信息，所以Universum学习可以增强有效样本信息。实验表明，相比于传统的多视角矩阵分类器，本文提出的基于信息增强的多视角矩阵分类器具有更好的分类性能。

关键词：

Universum学习; 多视角; 矩阵分类器

中图分类号：  TP391.4

文献标志码：  A

Information enhancement-based multi-view matrix classifier design

ZHU Changming， GAO Yusen

（Information Engineering College， Shanghai Maritime University， Shanghai 201306， China）

Abstract：

Due to the limitation of labor cost， many real-world multi-view datasets are composed of a small number of labeled samples and a large number of unlabeled samples. At present， the traditional multi-view matrix classifier cannot deal with this kind of datasets effectively. In order to deal with this problem， Universum learning is introduced into the multi-view matrix classifier， and an information enhancement-based multi-view matrix classifier is proposed. Because Universum learning can generate additional unlabeled samples that contain some information of labeled samples， Universum learning can enhance the effective sample information. Experimental results show that， the proposed information enhancement-based multi-view matrix classifier is of better classification performance than the traditional multi-view matrix classifiers.

Key words：

Universum learning; multi-view; matrix classifier

收稿日期： 2020-05-10

修回日期： 2020-06-23

基金項目： 中国博士后基金（2019M651576）;上海市晨光计划（18CG54）

作者简介：

朱昌明（1988—），男，上海人，副教授，博士，研究方向为多视角学习、模式识别，（E-mail）cmzhu@shmtu.edu.cn

0 引 言

多视角数据集普遍存在于图像处理、视频追踪、网页分类等领域。数据集多由矩阵型样本组成，因此通常采用多视角矩阵分类器（如改进的基于Nystrm的多核修正型Ho-Kashyap算法[1]（INMKMHKS）、双重局部化多矩阵学习机[2]（DFLMMLM）、具有5方面样本信息的多矩阵学习机[3]（MMLMFAPI）等）处理。随着国际贸易发展、生活节奏变快，越来越多的样本呈现出大批量产生的特征，但受限于人力成本，仅有一小部分样本获得了标记。换句话说，当前的大多数多视角数据集是由少量有标签样本和大量无标签样本构成的。这类数据集称为半监督多视角数据集。……