基于信息熵联合稀疏表示的鲁棒多视角学习方法研究

With the rapid development of information technology, the representation of data is diversified. Because of the heterogeneity of data in different views and the complexity of noise in real environment, the accuracy and robustness of multi-view learning are facing great challenges. This project focuses on the problem of robust multi-view learning. To this end, we use the joint sparse representation theory to deal with multi-view data heterogeneity, and information entropy loss function to handle real environmental noise to study the classification and clustering of multi-view data. The main contents include (1) introducing low-dimensional structure information and complementary information of multi-view data and studying the robust multi-view classification method based on information entropy and joint sparse representation, to improve the multi-view data classification performance; (2) establishing robust joint sparse subspace representation model and studying the information entropy joint sparse representation based robust multi-view clustering, to improve the multi-view data clustering performance; (3) using the idea of greedy learning algorithm to study the efficient algorithms for information entropy joint sparse representation, to satisfy the requirement of engineering practicability. Through the implementation of this project, new theoretical and technical support can be provided for multi-view data information processing, which can offer reference for the development of theory and methods of relevant disciplines.

随着信息技术的快速发展，数据的表征形态呈现多样化，因不同视角数据存在异构性和现实环境噪声复杂性的影响，多视角学习的准确性和鲁棒性面临巨大的挑战。本项目紧紧围绕鲁棒多视角学习问题，利用联合稀疏表示正则化理论可处理多视角数据异构性，和信息熵损失函数不依赖于噪声分布假设可处理真实环境噪声的优势，研究多视角数据的分类与聚类问题。主要内容包括（1）引入多视角数据的低维结构信息和关联互补信息，研究基于信息熵联合稀疏表示的鲁棒多视角模式分类方法，提高多视角数据分类性能；（2）建立鲁棒的联合稀疏子空间表示模型，研究基于信息熵联合稀疏表示的鲁棒多视角数据聚类方法，提高多视角数据的聚类性能；（3）利用贪婪学习算法思想，研究信息熵联合稀疏表示快速算法，满足工程实用性要求。通过实施本项目，可为多视角数据信息处理提供新理论和技术支撑，也为相关学科的发展提供理论和方法借鉴。

本项目研究了基于联合稀疏表示的鲁棒多视角学习问题。由于多视角数据广泛存在于社会生活和科学研究的各个领域，使得多视角学习理论和算法的研究具有重要理论价值和广泛应用前景。项目组成员认真履行申请书的承诺，取得了一些有意义的研究结果，圆满完成项目研究计划。利用多视角数据的互补关联信息，提出了一种基于联合稀疏表示的鲁棒多视角分类方法，研究了该方法的理论与算法以及在多视角人脸识别中的应用。为提升聚类算法对真实环境复杂数据噪声的鲁棒性，提出了基于联合稀疏表示的多视角数据聚类方法。利用贪婪学习算法思想，建立了鲁棒联合稀疏表示快速算法，提升方法的效率。本项研究的完成不但为多视角数据信息处理提供新理论和技术支撑，也为相关学科的发展提供理论和方法借鉴。