Multiview Classification With Cohesion and Diversity

Multiview Classification With Cohesion and Diversity

提出

文中提出增加了内聚损失函数和分类器的多样性：

在这种损失下，所有视图的学习分类器更有可能得到正确的分类，从而最大化视图之间的一致性。另一方面，采用独立性度量作为促进多样性的正规化，鼓励分类器的多样性，使这些“多样化”的分类器能够捕捉到更多的互补信息。总的来说，通过更深入地探索和利用多个视图之间的共同和互补信息，所形成的模型能够实现更全面和准确的分类。提出了一种收敛性得到证明的迭代优化算法。

方法：

一方面，通过学习投影矩阵和偏置项将各视图的数据回归到同一个标签矩阵中，以促进多个视图的一致性;为了减少模型对具有较大损失的数据点的不正确惩罚，在标签矩阵中加入了一个可学习的非负矩阵。通过调整标签矩阵，可以扩大投影后不同类之间的裕度，提高类的内聚性。这样，多个视图的分类结果就更容易达成一致。同时，通过这个标签调整矩阵，可以让不同意见共享共同信息，从而进一步促进意见的一致。另一方面，引入了促进多样性的正则化器，使不同视图之间的分类器多样化，从而获得更多的互补信息。

贡献

1)将多视图的一致性和互补性明确地表述为目标函数，通过对多视图之间的共性和互补性信息进行更深入的探索和开发，可以实现更全面、更准确的多视图分类。

2)带调整标签矩阵和非平方2-范数的损失项提高了类的内聚性，使多视图分类算法对异常值和自加权具有鲁棒性。

3)提出了一种高效的模型优化算法。证明了该算法单调地降低了模型的目标，并收敛于一个平稳点

损失项

通过对于通常的多视角分类器训练可以得到最小经验风险，