[论文解读] Multi-View Kernel Consensus For Data Analysis and Signal Processing.

Moshe Salhov, Ofir Lindenbaum+3 more|arXiv (Cornell University)|Jun 28, 2016

Neural Networks and Applications参考文献 19被引用 5

一句话总结

本文提出了一种多视角核共识框架，将高维数据划分为多个属性子集（视角），以改善低维几何结构的恢复。通过跨视角的一致性，该方法减轻了高维投影带来的度量失真，并在单视角或拼接方法之外更好地揭示了数据的内在关系。

ABSTRACT

The input data features set for many data driven tasks is high-dimensional while the intrinsic dimension of the data is low. Data analysis methods aim to uncover the underlying low dimensional structure imposed by the low dimensional hidden parameters by utilizing distance metrics that consider the set of attributes as a single monolithic set. However, the transformation of the low dimensional phenomena into the measured high dimensional observations might distort the distance metric, This distortion can effect the desired estimated low dimensional geometric structure. In this paper, we suggest to utilize the redundancy in the attribute domain by partitioning the attributes into multiple subsets we call views. The proposed methods utilize the agreement also called consensus between different views to extract valuable geometric information that unifies multiple views about the intrinsic relationships among several different observations. This unification enhances the information that a single view or a simple concatenations of views provides.

研究动机与目标

• 解决高维数据中因度量失真而掩盖真实低维几何结构的问题。
• 通过将属性集划分为多个视角，利用其冗余性以改善数据表征。
• 开发一种跨视角的共识机制，以增强对数据内在关系的估计。
• 在保持低维几何结构方面，超越单视角和拼接视角方法的性能。

提出的方法

• 该方法将完整属性集划分为多个互不相交的视角，以利用数据中的冗余性。
• 为每个视角计算核矩阵，以捕捉每个属性子集内的局部几何关系。
• 通过使用加权融合策略聚合各视角的核矩阵，构建共识核，强调视角间的一致性。
• 将共识核用于下游任务（如降维和聚类），以揭示潜在的低维流形结构。
• 该方法使用核对齐度量来引导融合权重，确保具有一致几何信号的视角贡献更大。

实验结果

研究问题

• RQ1 如何利用高维属性集合中的冗余性来改善几何结构的恢复？
• RQ2 与单视角或拼接方法相比，多视角间的一致性在多大程度上减少了度量失真？
• RQ3 共识核能否在聚类和降维等下游数据分析任务中提升性能？
• RQ4 如何最优地融合多个视角的核矩阵以保留数据的内在关系？

主要发现

• 所提出的多视角核共识方法在保持低维几何结构方面优于单视角或拼接方法。
• 基于共识的融合策略降低了噪声或失真属性对最终几何表征的影响。
• 该方法通过利用多个视角间的一致性，提升了聚类和降维任务的性能。
• 核对齐度量有效引导了融合过程，增强了一致视角的贡献。