基于多度量的多视图度量学习算法研究.pdf

摘要

近年来度量学习已经成为一个非常热门的研究主题，受到机器学习及其相关领

域研究者的广泛关注。多视图度量学习是进行多视图数据分析处理的有效手段，通

过挖掘不同视图之间的一致性、互补性信息，可以获得比单视图度量学习更好的性

能。然而现有的多视图度量学习在单个视图只使用单个度量，这使得算法在单个视

图上不足以应对可能存在的高度非线性数据。同时现有的方法忽视了多视图的不确

定性，即这些视图的质量和重要性在实际中并不相同，对来自所有视图的样本表示

一视同仁，容易产生不可靠的预测。因此，本文针对多视图度量学习展开了相关研

究，主要研究内容如下：

（1）提出了基于局部度量的多视图度量学习算法，该算法同时学习不同视图的

一致性信息和互补信息，为不同的视图学习了共享部分和视图特有的部分，同时在

特有部分全局度量的基础上学习了多个局部微调度量，对全局做调整以捕获非线性

数据的局部信息。最后使用RescaledHinge损失抑制异常值对学习的影响。同时在人

脸识别和亲属关系验证等任务上进行了实验并取得良好结果。

（2）提出了基于类可信度的多视图度量学习算法，该算法学习不同视图一致性

的共享部分，同时视图特有的部分为不同视图的不同类均学习一个局部度量，使该

视图的样本在该类的局部度量的影响下同类聚集在该类中心，其他类样本远离。同

时为不同的类设置可信度，根据视图的表现自适应地调整可信度，以达到抑制可信

度低的视图的信息的影响。在场景分类和手写字体识别等任务上进行了实验并取得

良好结果。

综上所述，本文针对多视图度量学习面临的高度非线性数据和视图不确定性，

围绕多视图数据的一致性和互补性，利用多度量学习提出了相应的方法。在多个多

视图数据集上验证了方法的有效性。

关键词：度量学习；多视图度量学习；马氏距离；多度量学习；视图不确定性

I

目录

摘要I

AbstractII

1绪论1

1.1研究背景与意义1

1.2国内外研究现状2

1.3文章主要工作4

1.4文章结构5

2相关知识7

2.1度量学习7

2.2多度量学习7

2.3多视图度量学习9

2.4本章小结11

3基于局部度量的多视图度量学习算法13

3.1问题描述13

3.2基于局部度量的多视图度量学习算法13

3.2.1模型定义14

3.2.2模型求解17

3.2.3算法步骤21

3.2.4时间复杂度分析22

3.3实验分析23

3.3.1人脸识别实验23

3.3.2亲属关系实验24

3.3.3异常值干扰实验25

3.3.4收敛性分析26

3.4本章小结27

4基于类可信度的多视图度量学习算法29

4.1问题描述29

4.2基于类可信度的多视图度量学习算法29

4.2.1模型定义30

4.2.2模型求解32

4.2.3算法步骤33

4.2.4时间复杂度分析33

4.3实验分析34

4.3.1场景分类实验34

4.3.2手写字体识别实验35

4.3.3异常值干扰实验36