Abstract

Multi-view multi-label learning is widely used in multiple fields, and it aims to process data sets represented by multiple forms (views) and labeled by multiple classes. But most real-world data sets maybe loss some labels and views due to lack of manpower and equipment failure and this causes some difficulties in processing data sets. In this paper, we develop a global and local multi-view multi-label learning with incomplete views and labels (GLMVML-IVL) to process this. In GLMVML-IVL, the usage of label-specific features indicates that class label is determined by some specific features rather than all features; global and local label correlations are taken into consideration with clustering technology; the construction of the pseudo-class label matrix offsets the defect of missing (partial) labels; the adoption of low-rank assumption matrix restores incomplete views; a consensus multi-view representation is put to use to encode the complementary information from different views; the regularizer imposed on label matrix reflects the partial pairwise constraints. Different from traditional methods, this is the first attempt to design a multi-view multi-label learning method with incomplete views and labels by the learning of label-specific features, pseudo-class label matrix, low-rank assumption matrix, global and local label correlations, complementary information, and regularizer imposed on label matrix. Experimental results validate that GLMVML-IVL improves the performance of traditional multi-view multi-label learning methods in statistical and achieves a better performance.

中文翻译：

---

具有不完整视图和标签的全局和局部多视图多标签学习

摘要

多视图多标签学习被广泛应用于多个领域，其目的是处理以多种形式（视图）表示并由多个类标记的数据集。但是，由于缺乏人力和设备故障，大多数现实世界的数据集可能会丢失一些标签和视图，这在处理数据集时会带来一些困难。在本文中，我们开发了具有不完整视图和标签（GLMVML-IVL）的全局和局部多视图多标签学习来进行处理。在GLMVML-IVL中，使用特定于标签的功能表示类标签是由某些特定功能而非所有功能确定的；聚类技术考虑了全局和局部标签的相关性；伪类标签矩阵的构造弥补了缺失（部分）标签的缺陷。采用低秩假设矩阵可恢复不完整的观点；共识多视图表示用于编码来自不同视图的补充信息；施加在标签矩阵上的正则化器反映了部分成对约束。与传统方法不同，这是通过学习特定于标签的特征，伪类标签矩阵，低秩假设矩阵，全局和局部来设计具有不完整视图和标签的多视图多标签学习方法的首次尝试。标签相关性，补充信息和强加于标签矩阵的正则化器。实验结果证明，GLMVML-IVL在统计方面提高了传统多视图多标签学习方法的性能，并取得了更好的性能。共识多视图表示用于编码来自不同视图的补充信息；施加在标签矩阵上的正则化器反映了部分成对约束。与传统方法不同，这是通过学习特定于标签的特征，伪类标签矩阵，低秩假设矩阵，全局和局部来设计具有不完整视图和标签的多视图多标签学习方法的首次尝试。标签相关性，补充信息和强加于标签矩阵的正则化器。实验结果证明，GLMVML-IVL在统计方面提高了传统多视图多标签学习方法的性能，并取得了更好的性能。共识多视图表示用于编码来自不同视图的补充信息；施加在标签矩阵上的正则化器反映了部分成对约束。与传统方法不同，这是通过学习特定于标签的特征，伪类标签矩阵，低秩假设矩阵，全局和局部来设计具有不完整视图和标签的多视图多标签学习方法的首次尝试。标签相关性，补充信息和强加于标签矩阵的正则化器。实验结果证明，GLMVML-IVL在统计方面提高了传统多视图多标签学习方法的性能，并获得了更好的性能。施加在标签矩阵上的正则化器反映了部分成对约束。与传统方法不同，这是通过学习特定于标签的特征，伪类标签矩阵，低秩假设矩阵，全局和局部来设计具有不完整视图和标签的多视图多标签学习方法的首次尝试。标签相关性，补充信息和强加于标签矩阵的正则化器。实验结果证明，GLMVML-IVL在统计方面提高了传统多视图多标签学习方法的性能，并取得了更好的性能。施加在标签矩阵上的正则化器反映了部分成对约束。与传统方法不同，这是通过学习特定于标签的特征，伪类标签矩阵，低秩假设矩阵，全局和局部来设计具有不完整视图和标签的多视图多标签学习方法的首次尝试。标签相关性，补充信息和对标签矩阵施加的正则化。实验结果证明，GLMVML-IVL在统计方面提高了传统多视图多标签学习方法的性能，并取得了更好的性能。低秩假设矩阵，全局和局部标签相关性，补充信息以及强加于标签矩阵的正则化器。实验结果证明，GLMVML-IVL在统计方面提高了传统多视图多标签学习方法的性能，并获得了更好的性能。低秩假设矩阵，全局和局部标签相关性，补充信息以及强加于标签矩阵的正则化器。实验结果证明，GLMVML-IVL在统计方面提高了传统多视图多标签学习方法的性能，并获得了更好的性能。