[論文レビュー] Multi-View Learning in the Presence of View Disagreement

C. Mario Christoudias, Raquel Urtasun+1 more|arXiv (Cornell University)|Jun 13, 2012

Sparse and Compressive Sensing Techniques参考文献 21被引用数 96

ひとこと要約

本稿では、ノイズ、遮蔽、不具合などによって引き起こされる視点の不一致を、条件付きエントロピー基準を用いて検出し、フィルタリングするマルチビュー学習フレームワークを提案する。標準的なマルチビュー学習を適用する前に矛盾する視点を除去することで、合成データおよび音声視覚データセットにおいて顕著な性能向上が達成され、現実世界のノイズが多い状況でも頑健であることが示された。

ABSTRACT

Traditional multi-view learning approaches suffer in the presence of view disagreement,i.e., when samples in each view do not belong to the same class due to view corruption, occlusion or other noise processes. In this paper we present a multi-view learning approach that uses a conditional entropy criterion to detect view disagreement. Once detected, samples with view disagreement are filtered and standard multi-view learning methods can be successfully applied to the remaining samples. Experimental evaluation on synthetic and audio-visual databases demonstrates that the detection and filtering of view disagreement considerably increases the performance of traditional multi-view learning approaches.

研究の動機と目的

• ノイズ、遮蔽、不具合の影響で視点が不一致する状況において、従来のマルチビュー学習手法の限界を解消すること。
• 異なる視点が同じサンプルに対して矛盾するラベルを割り当てるサンプルを特定し、潜在的なデータ不具合やノイズの兆候とすること。
• このような矛盾するサンプルを事前にフィルタリングするメカニズムを構築し、標準的なマルチビュー学習を適用する前処理とする。
• 不完全またはノイズの混入した視点を伴う現実世界の状況において、マルチビュー学習の精度と頑健性を向上させること。
• 視点の不一致をフィルタリングすることで、標準的なマルチビュー学習手法に比べて顕著な性能向上が達成されることを示すこと。

提案手法

• 同じサンプルに対する視点間の不一致を測定することで、視点の不一致を検出するための条件付きエントロピー基準を定式化する。
• 一方の視点をもう一方の視点の条件下とした条件付きエントロピーを用い、不一致の度合いを定量化する：エントロピーが高くなるほど不一致度が大きいことを示す。
• 高い条件付きエントロピーを示すサンプルをフィルタリングし、不具合やノイズがあると仮定する。
• 標準的なマルチビュー学習アルゴリズム（例：co-training、マルチビューSVM）を、フィルタリング済みの一貫性のあるサンプルに対してのみ適用する。
• 複数のソースからの一貫性のある視点は、より正しく確実であると仮定する。
• 合成データおよび実世界の音声視覚データセットを用いた実験的評価を通じて、フィルタリングプロセスの有効性を検証する。

実験結果

リサーチクエスチョン

• RQ1 ノイズや遮蔽によって引き起こされる視点の不一致は、従来のマルチビュー学習手法の性能にどのように影響を与えるか？
• RQ2 条件付きエントロピーは、視点が不一致するサンプルを効果的に検出できるか？
• RQ3 高い視点不一致を示すサンプルをフィルタリングすることで、マルチビュー学習アルゴリズムの性能が向上するか？
• RQ4 本手法は、さまざまな種類のデータ不具合やノイズレベルに対し、どの程度頑健であるか？
• RQ5 現実世界の音声視覚認識タスクにおいて、本手法は標準的なマルチビュー学習をどの程度上回るか？

主な発見

• 条件付きエントロピー基準は、ノイズや遮蔽の影響下でも、視点の不一致を示すサンプルを効果的に同定できた。
• 高い条件付きエントロピーを示すサンプルをフィルタリングすることで、マルチビュー学習タスクにおける性能向上が顕著に達成された。
• 音声視覚データベースにおいて、本手法は視点の不一致に起因する誤差率を低減することで、標準的なマルチビュー学習手法を上回った。
• 模擬的な不具合や現実世界の遮蔽を含む多様なノイズ条件において、本手法は頑健であることが示された。
• 視点の不一致度が高いデータセットにおいて、性能向上が最も顕著に観察されたことから、本手法がノイズの多い環境において有効であることが確認された。
• 合成データおよび実世界データに対する実験結果から、矛盾する視点を除去することで、学習の精度と一般化性能が向上することが裏付けられた。