為機(jī)器學(xué)習(xí)領(lǐng)域帶來創(chuàng)新突破,微美全息(NASDAQ:WIMI)將多級相關(guān)學(xué)習(xí)技術(shù)運(yùn)用于多視圖無監(jiān)督特征選擇

近年來,隨著機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)的不斷發(fā)展,多視圖學(xué)習(xí)研究也備受關(guān)注。多視圖學(xué)習(xí)旨在從多個視圖中獲取數(shù)據(jù)的全面信息,以提供更準(zhǔn)確和有效的學(xué)習(xí)結(jié)果。在無監(jiān)督學(xué)習(xí)情境下,多視圖數(shù)據(jù)可以從不同的特征提取方式中獲得,如圖像的LBP(Local Binary Pattern)、HOG(Histogram of Oriented Gradients)、SIFT(Scale-Invariant Feature Transform)等特征。

傳統(tǒng)的單視圖數(shù)據(jù)表示方法往往無法充分利用多視圖數(shù)據(jù)中不同視圖之間的信息,因此,多視圖學(xué)習(xí)的概念和方法被提出,以更好地利用多視圖數(shù)據(jù)中的信息。多視圖學(xué)習(xí)旨在將不同視圖的數(shù)據(jù)結(jié)合起來,以提供更全面和準(zhǔn)確的表示,從而改善學(xué)習(xí)任務(wù)的性能。然而,直接將多視圖數(shù)據(jù)進(jìn)行拼接形成一幅高維的單視圖數(shù)據(jù)并用于聚類等處理任務(wù),會面臨“維數(shù)爆炸”、較高的時間和計(jì)算消耗等問題,而且一般得不到足夠好的學(xué)習(xí)效果。因此,對多視圖數(shù)據(jù)進(jìn)行降維處理很有必要,而特征選擇作為一種極其重要的降維方法一直備受重視。多視圖無監(jiān)督特征選擇是一種在多視圖數(shù)據(jù)上進(jìn)行無監(jiān)督學(xué)習(xí)的技術(shù),旨在識別出最有價值的特征,以刪除不相關(guān)和冗余的特征。這種方法滿足特征選擇的多樣性與一致性,識別特征維度、保留關(guān)鍵特征。它利用多個視圖的信息來增強(qiáng)數(shù)據(jù)的表示能力,從而在各種學(xué)習(xí)任務(wù)中提高準(zhǔn)確性。這種技術(shù)特別適用于那些擁有多個視圖或者可以從多個角度觀察的數(shù)據(jù)集。

據(jù)悉,微美全息(NASDAQ:WIMI)將多級相關(guān)學(xué)習(xí)技術(shù)運(yùn)用于多視圖無監(jiān)督特征選擇。多級相關(guān)學(xué)習(xí)是一種學(xué)習(xí)策略,它允許模型在處理復(fù)雜數(shù)據(jù)時,對不同級別的相關(guān)性進(jìn)行建模,并通過學(xué)習(xí)不同視圖之間的相關(guān)性來選擇特征。這種方法可以更有效地利用多視圖數(shù)據(jù)中的信息,并且可以提高學(xué)習(xí)任務(wù)的準(zhǔn)確性,幫助機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘領(lǐng)域中的許多任務(wù)獲得更準(zhǔn)確的結(jié)果。

在多視圖無監(jiān)督特征選擇中應(yīng)用多級相關(guān)學(xué)習(xí),可以幫助模型更好地理解數(shù)據(jù)的復(fù)雜性和多樣性。例如,在處理圖像和文本等多視圖數(shù)據(jù)時,模型可以同時學(xué)習(xí)圖像和文本的特征,并利用它們之間的相關(guān)性來提高學(xué)習(xí)效果。這種方法通常需要設(shè)計(jì)復(fù)雜的模型和算法來實(shí)現(xiàn),但可以獲得更準(zhǔn)確和更強(qiáng)大的結(jié)果。這種方法的核心理念是通過學(xué)習(xí)不同視圖之間的相關(guān)性來選擇特征。在這個過程中,首先需要將每個視圖的數(shù)據(jù)轉(zhuǎn)換為相應(yīng)的特征表示,這些特征可以是對數(shù)據(jù)的描述、統(tǒng)計(jì)量或其他形式的抽象。然后,利用這些特征進(jìn)行相關(guān)性的學(xué)習(xí),以獲得更全面、更準(zhǔn)確的特征表示。

首先,從多個視圖中收集數(shù)據(jù),并使用無監(jiān)督學(xué)習(xí)策略對每個視圖的數(shù)據(jù)進(jìn)行特征提取。其目的是從每個視圖中提取出有意義的特征,以便后續(xù)的相關(guān)性學(xué)習(xí)。然后將每個視圖的數(shù)據(jù)轉(zhuǎn)換為特征向量,形成相應(yīng)的特征空間。這個步驟是將數(shù)據(jù)轉(zhuǎn)換為可以用于計(jì)算相關(guān)性的特征表示。再利用所得到的特征向量,計(jì)算它們之間的相關(guān)性,以了解哪些特征對于其他視圖是有意義的。根據(jù)相關(guān)性的結(jié)果,可選擇出那些與其它視圖有較大相關(guān)性的特征,這些特征被認(rèn)為是重要的,因?yàn)樗鼈兛梢蕴峁└嚓P(guān)于其他視圖的信息。

1703755449191573.jpg

多級相關(guān)學(xué)習(xí)可以從多個視圖中獲取更豐富的信息,并通過學(xué)習(xí)不同視圖之間的相關(guān)性來提高特征選擇的準(zhǔn)確性。在具體實(shí)施過程中,需要將每個視圖的數(shù)據(jù)轉(zhuǎn)換為相應(yīng)的特征表示,然后利用這些特征進(jìn)行相關(guān)性的學(xué)習(xí)。通過這種方式,可以獲取更全面、更準(zhǔn)確的特征表示。然而,這種方法也需要更多的計(jì)算資源和時間,因?yàn)樾枰幚矶鄠€視圖的數(shù)據(jù)并計(jì)算相關(guān)性。盡管如此,隨著計(jì)算機(jī)性能的不斷提高和算法優(yōu)化技術(shù)的發(fā)展,多級相關(guān)學(xué)習(xí)的應(yīng)用前景仍然十分廣闊。它不僅可以應(yīng)用于各種機(jī)器學(xué)習(xí)任務(wù),還可以廣泛應(yīng)用于圖像處理、自然語言處理、語音識別等,為機(jī)器學(xué)習(xí)領(lǐng)域帶來更多的創(chuàng)新和突破。隨著深度學(xué)習(xí)和無監(jiān)督學(xué)習(xí)技術(shù)的不斷發(fā)展,WIMI微美全息研究的基于多級相關(guān)學(xué)習(xí)的多視圖無監(jiān)督特征選擇技術(shù)也將不斷進(jìn)步和完善。

(免責(zé)聲明:本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿,凡在本網(wǎng)站出現(xiàn)的信息,均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性,但不保證有關(guān)資料的準(zhǔn)確性及可靠性,讀者在使用前請進(jìn)一步核實(shí),并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏,概不負(fù)任何法律責(zé)任。
任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實(shí)內(nèi)容時,應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明,并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后,將會依法盡快聯(lián)系相關(guān)文章源頭核實(shí),溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 )