Published January 1, 2020
| Version v1
Publication
Open
Supervised Structural Sparse Subspace Learning Based on Hierarchical Locality Preservation for Multimodal and Mixmodal Data
Creators
- 1. University of International Business and Economics
- 2. Peking University
Description
We study the multimodal and mixmodal data-driven supervised structural sparse subspace learning problem in this paper, and present the α-structural regularization based hierarchical locality analysis (α-SRHLA) model. Unlike most existing sparse subspace learning models that merely constrain the cardinalities of the subspace basis vectors, the present α-SRHLA model takes into account the structural correlations of the original data variables and generates "variable groups"for sparse subspace learning. As a result, the sparsity is induced in the scale of the variable group instead of the single variable, i.e., "structural sparsity". In addition, the α-SRHLA considers the "hierarchical locality"of multimodal and mixmodal data, and derives the weighted local affinity correlations in both data-level and class-level. This helps to reveal the intrinsic distribution characteristics of the considered multimodal and mixmodal manifold structures. A series of experiments on normal and multimodal data classification, multimodal and mixmodal digit as well as face recognition verify the effectiveness of the present α-SRHLA model in dealing with both multimodal and mixmodal data.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
ندرس مشكلة تعلم الفضاء الفرعي المتناثر الهيكلي القائم على البيانات متعددة الوسائط والمختلطة في هذه الورقة، ونقدم نموذج تحليل الموقع الهرمي القائم على التنظيم الهيكلي (α - SRHLA). على عكس معظم نماذج تعلم الفضاء الجزئي المتناثرة الحالية التي تقيد فقط أصول متجهات أساس الفضاء الجزئي، يأخذ نموذج α - SRHLA الحالي في الاعتبار الارتباطات الهيكلية لمتغيرات البيانات الأصلية ويولد "مجموعات متغيرة" لتعلم الفضاء الجزئي المتناثر. ونتيجة لذلك، يتم حث التباين في مقياس المجموعة المتغيرة بدلاً من المتغير الفردي، أي "التباين الهيكلي". بالإضافة إلى ذلك، تأخذ α - SRHLA في الاعتبار "الموقع الهرمي" للبيانات متعددة الوسائط والمختلطة، وتستمد ارتباطات التقارب المحلية المرجحة في كل من مستوى البيانات ومستوى الفصل. يساعد هذا في الكشف عن خصائص التوزيع الجوهرية للهياكل المتشعبة متعددة الوسائط والمختلطة. تتحقق سلسلة من التجارب على تصنيف البيانات العادية والمتعددة الوسائط والأرقام متعددة الوسائط والمختلطة بالإضافة إلى التعرف على الوجوه من فعالية نموذج α - SRHLA الحالي في التعامل مع كل من البيانات متعددة الوسائط والمختلطة.Translated Description (French)
Nous étudions le problème d'apprentissage du sous-espace structurel clairsemé supervisé multimodal et mixmodal basé sur les données dans cet article, et présentons le modèle d'analyse de localité hiérarchique basée sur la régularisation α-structurelle (α-SRHLA). Contrairement à la plupart des modèles d'apprentissage de sous-espace clairsemé existants qui ne font que contraindre les cardinalités des vecteurs de base de sous-espace, le modèle α-SRHLA actuel prend en compte les corrélations structurelles des variables de données d'origine et génère des « groupes de variables »pour l'apprentissage de sous-espace clairsemé. En conséquence, la rareté est induite dans l'échelle du groupe de variables au lieu de la variable unique, c'est-à-dire la « rareté structurelle ». En outre, l'α-SRHLA considère la « localité hiérarchique »des données multimodales et mixmodales, et dérive les corrélations d'affinité locale pondérées à la fois au niveau des données et au niveau de la classe. Cela aide à révéler les caractéristiques intrinsèques de distribution des structures multiples multimodales et mixmodales considérées. Une série d'expériences sur la classification des données normales et multimodales, les chiffres multimodaux et mixmodaux ainsi que la reconnaissance faciale vérifient l'efficacité du modèle α-SRHLA actuel pour traiter les données multimodales et mixmodales.Translated Description (Spanish)
Estudiamos el problema de aprendizaje del subespacio escaso estructural supervisado basado en datos multimodales y mixmodales en este documento, y presentamos el modelo de análisis de localidad jerárquica basado en la regularización α-estructural (α-SRHLA). A diferencia de la mayoría de los modelos de aprendizaje de subespacio escaso existentes que simplemente restringen las cardinalidades de los vectores de base de subespacio, el presente modelo α-SRHLA tiene en cuenta las correlaciones estructurales de las variables de datos originales y genera "grupos de variables"para el aprendizaje de subespacio escaso. Como resultado, la dispersión se induce en la escala del grupo de variables en lugar de la variable única, es decir, la "dispersión estructural". Además, el α-SRHLA considera la "localidad jerárquica"de los datos multimodales y mixmodales, y deriva las correlaciones de afinidad local ponderadas tanto a nivel de datos como a nivel de clase. Esto ayuda a revelar las características de distribución intrínseca de las estructuras de colector multimodal y mixmodal consideradas. Una serie de experimentos sobre clasificación de datos normales y multimodales, dígitos multimodales y mixmodales, así como reconocimiento facial, verifican la efectividad del presente modelo α-SRHLA para tratar datos multimodales y mixmodales.Files
09035493.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:8484e1c9db5444b618bd0ae506b4bfb4
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- التعلم الفضائي الفرعي المتناثر الهيكلي الخاضع للإشراف بناءً على الحفاظ على الموقع الهرمي للبيانات متعددة الوسائط والمختلطة
- Translated title (French)
- Apprentissage structuré supervisé des sous-espaces clairsemés basé sur la préservation de la localité hiérarchique pour les données multimodales et mixmodales
- Translated title (Spanish)
- Aprendizaje supervisado del subespacio disperso estructural basado en la preservación jerárquica de la localidad para datos multimodales y mixmodales
Identifiers
- Other
- https://openalex.org/W3012379635
- DOI
- 10.1109/access.2020.2980757
References
- https://openalex.org/W1211817130
- https://openalex.org/W1833977268
- https://openalex.org/W2005423095
- https://openalex.org/W2015418199
- https://openalex.org/W2039050532
- https://openalex.org/W2044809283
- https://openalex.org/W2056201402
- https://openalex.org/W2070127246
- https://openalex.org/W2073025445
- https://openalex.org/W2076019763
- https://openalex.org/W2076905373
- https://openalex.org/W2117553576
- https://openalex.org/W2117976551
- https://openalex.org/W2121647436
- https://openalex.org/W2123921160
- https://openalex.org/W2130796525
- https://openalex.org/W2163939328
- https://openalex.org/W2330679519
- https://openalex.org/W2514689412
- https://openalex.org/W2516693194
- https://openalex.org/W2621122741
- https://openalex.org/W2779799900
- https://openalex.org/W2782983109
- https://openalex.org/W2883269527
- https://openalex.org/W2884810987
- https://openalex.org/W2903545558
- https://openalex.org/W2907728152
- https://openalex.org/W2912465789
- https://openalex.org/W2913921102
- https://openalex.org/W2914981757
- https://openalex.org/W2923759548
- https://openalex.org/W2944565095