An Efficient Approach to Informative Feature Extraction from Multimodal Data
文章目录
- 摘要
- 简介
- HGR
- 与基于CCA的方法的联系
- 限制
- Soft-HGR
- HGR的最优特征转换
- 替换:低秩矩阵近似
- Soft_HGR的目标函数
- 优化
- 推广到多模态、缺失模态的数据
论文题目:An Efficient Approach to Informative Feature Extraction
from Multimodal Data
作者:Tsinghua-Berkeley Shenzhen Institute, Tencent AI Lab,Department of EECS, Massachusetts Institute of Technology
时间:2018
论文链接:https://arxiv.org/abs/1811.08979
Github链接:https://github.com/GuyHacohen/curriculum_learning
摘要
- 本文主要提出了一个新颖的从多个数据模态中提取有用的特征的框架Soft-HGR。
- 解决了HGR的严格的whitening constrains
- 并进一步推广到处理两个以上模态和确实模态的数据
- 实验表明,我们的方法可以学习更多信息的特征映射,可以实现更有效的优化。
简介
辨别多模态数据之间的关系对于机器来说是很难的。现有的方法有CCA、欧氏距离最小化、强行执行部分命令等。
HGR maximal correlation是Pearson correlation的一个推广,用来计算合理性是非常合理的。很多时候被用来处理多模态数据。
但是HGR有两个限制,第一,whitening constraints,即要求每个特征要严格不相关,从而来保持正交几何性质,计算复杂,高维出现稳定性问题。第二,辨别力没有被显式计算出来,而只有所有的辨别信息恰好落在一个共同的子空间的时候,下游监督任务才能得到想要的表现。因此当模态数据弱相关时,潜在的辨别信息很有可能被忽略,从而导致性能下降。
我们的贡献:
- 我们在HGR maximal correlation的基础上提出了Soft-HGR,来从多模态数据提出有用特征。目标函数简单容易实现。
- 我们提出没有显示的whitening constraint的可替代策略来学习HGR转换。这样的优化更有效和更有可信度。
- 我们推广我们的框架去处理大于两个模态和缺失模态的数据,在半监督任务中加入可区别信息。
HGR
与基于CCA的方法的联系
基于CCAde方法与HGR有相似的目标函数,除了它们的转换函数严格为某一形式。CCA在线性Hilbert空间找特征映射,Kernel CCA在再生kernel Hilbert空间找特征映射,Deep CCA中的f,g用深度神经网络来实现,可接近HGR。
限制
HGR的一个限制是它的whitening constraint给优化带来了高的计算复杂度,现在的方法是使协方差矩阵为一个单位阵来进行去相关化。
Soft-HGR
HGR的最优特征转换
通过变量替换,HGR最大相关的目标函数可以写成:
其中
那么最优解为
替换:低秩矩阵近似
这个没有对COV(f),COV(g)的限制。
Soft_HGR的目标函数
这里的第二项(关于COV)就是用软的优化来代替了白化的限制。
优化
推广到多模态、缺失模态的数据
Soft_HGR的核心思想是找到由两种模态数据决定的矩阵的B的近似。对于多模态数据,我们可以优化每一对模态组成的矩阵B,于是可以做一个关于每一对的求和最大化。
缺失模态的话,E的计算就是用样本,COV的计算决定于边缘分布,可以直接计算。
An Efficient Approach to Informative Feature Extraction from Multimodal Data相关推荐
- GaitGAN: Invariant Gait Feature Extraction Using Generative Adversarial Networks论文翻译以及理解
GaitGAN: Invariant Gait Feature Extraction Using Generative Adversarial Networks论文翻译以及理解 格式:一段英文,一段中 ...
- [HSI论文阅读] | Deep Feature Extraction and Classification of Hyperspectral Images Based on CNNs
写在前面 论文: Y. Chen, H. Jiang, C. Li, X. Jia and P. Ghamisi, "Deep Feature Extraction and Classifi ...
- Time Series FeatuRe Extraction on basis of Scalable Hypothesis tests (tsfresh –A Python package)
[目的]简单记录文献阅读过程,学习 tsfresh 库的相关SCI文章,希望可以减轻相关兴趣者的阅读与学习时间. [注意]翻译过程更多的为机器翻译和直译,有错误之处敬请斧正. Abstract: Ti ...
- A Survey of Shape Feature Extraction Techniques中文翻译
Yang, Mingqiang, Kidiyo Kpalma, and Joseph Ronsin. "A survey of shape feature extraction techni ...
- 一种基于协作表示的特征提取投影方法(A collaborative representation based projections method for feature extraction)
1.CRP简介 文章全称为"A collaborative representation based projections method for feature extraction&qu ...
- 论文笔记 ISCC 2019|BGP Dataset Generation and Feature Extraction for Anomaly Detection
文章目录 1 简介 1.1 动机 1.2 创新 2 背景知识 3 方法 3.1 特征提取 3.2 数据集生成 3.3 流量行为趋势分析 3.3.1 Anomaly and regular traffi ...
- 翻译:An Introduction to Feature Extraction 特征提取导论。(如有不当欢迎评论区留言指正)
作者:Isabelle Guyon1 and Andr´e Elisseeff2 这一章向读者介绍了本书3中涵盖的特征提取( Feature Extraction)的各个方面.第1节 综述了定义和符号 ...
- 论文阅读:HybridAlpha: An Efficient Approach for Privacy-Preserving Federated Learning
论文名字 HybridAlpha: An Efficient Approach for Privacy-Preserving Federated Learning 来源 会议 the 12th ACM ...
- MDERank A Masked Document Embedding Rank Approach for Unsupervised Keyphrase Extraction阅读笔记
这两年对比学习很火,尤其是在CV领域,所以有人尝试将对比学习的思想引入到关键词抽取任务中,虽然最后的结果并没有大的提升,但是这篇论文还是值得看一下的.这篇文章中了2022年ACL Findings. ...
最新文章
- C++ Primer 5th笔记(chap 18 大型程序工具) 类、 命名空间与作用域
- 信息学奥赛一本通 1100:金币 | 1969:【15NOIP普及组】金币 | OpenJudge NOI 1.5 45 | 洛谷 P2669 [NOIP2015 普及组] 金币
- MTK 驱动开发(15)---I2C
- Silverlight.XNA(C#)跨平台3D游戏研发手记:(八)向Windows Phone移植之2D跨平台迁移
- 机器视觉光源学习总结——开孔背光源
- Security+ 学习笔记53 供应链风险
- 【Gym - 101234G】Dreamoon and NightMarket 【子集中第K大元素】
- 设置虚拟机桥接模式以及解决桥接模式上不了网以及ping不通主机的问题
- Android Startup实现分析
- 错题集 HDLBits Exams/ece241 2013 q7 JK触发器
- 奥巴马在哥伦比亚大学巴纳德女子学院毕业典礼演讲全文
- 陈晨-证券交易系统架构设计_挑战与实施经验分享
- 1《小学数学教材解读策略研究》课题研究方案
- 时空-问题集锦(转载)
- 根据word模板(书签)创建导出word
- python之正则表达式2
- 国际化复数形式的支持与pygettext的补丁
- ​6行Python代码+RemoveBg库,教你实现3秒批量抠图,扣头发丝也非常简单
- 仿豌豆荚ViewPager下拉
- 安卓开源项目周报1214
热门文章
- 积分商城html5页面,html5积分商城
- 牛鞭效应matlab代码,基于控制工程的牛鞭效应建模与仿真研究
- STC双串口单片机无法烧写下载程序原因,普中开发箱,STC12C5A60S2
- Javs运算符及选择语句结构
- 安永网申计算机应用程序,四大网申经验篇
- 11-k8s结合Metrics-Server实现自动伸缩
- mPEG2000-Benzaldehyde,苯甲醛修饰的PEG,mPEG2000-DF,Benzaldehyde-mPEG
- python3基础教程入门学习
- java调用c 串口_基于C语言的java串口通信程序
- Pytorch:jieba分词、hanlp分词、词性标注、命名实体识别、one-hot、Word2vec(CBOW、skipgram)、Word Embedding词嵌入、fasttext