具有可扩展性的鲁棒多视图学习算法及其应用研究

Multi-view learning algorithms aim to improve the performance by optimally integrating different views. However, existing multi-view learning algorithms: 1) ignore the diversity of multi-view data belongs to the same category; 2) have fragility when views are missing or contain noise; 3) have poor scalability, and unable to adapt to large-scale applications. To address these issues, this project intends to focus on the research on scalable and robust multi-view learning algorithms and their applications. Its main contents include: 1) multi-view learning algorithm based on global-local similarity matrix alignment; 2) a robust multi-view clustering algorithm with absent or noisy views; 3) a robust supervised multi-view algorithm based on view reconstruction; 4) a multi-view learning algorithm with strong scalability. The theoretical analysis and algorithm implementation of scalable multi-view learning algorithm in this project can promote the theoretical development of multi-view learning algorithm and help to further expand its application prospects. Some of the pre-published research paper of PR, AAAI, IJCAI and other top international journals or conferences have laid a solid foundation for the research work of this project.

多视图学习算法最优地融合多个视图以改进算法的性能。然而已有的多视图学习算法：1）忽略同类多视图数据的多样性；2）在视图缺失或者含噪声时具有脆弱性；3）可扩展性较差而无法适应大规模应用。为解决上述问题，本课题拟开展具有可扩展性的鲁棒多视图学习算法及其应用研究，主要研究内容包括：1）基于全局-局部相似矩阵对齐的多视图分类算法；2）缺失视图和含噪声视图的多视图聚类算法；3）基于视图重构的鲁棒的多视图分类算法；4）可扩展的多视图近似学习算法。本项目关于具有可扩展性的鲁棒多视图学习算法的理论分析与算法实现，可推动多视图学习算法的理论发展，有助于进一步扩大其应用前景。部分前期已发表于PR、AAAI、IJCAI等国际顶级期刊和会议的研究成果为本项目的顺利展开奠定了坚实基础。

与单视图学习算法不同，多视图学习算法更加鲁棒。单视图学习算法的性能往往受限于视图数据本身，特别是当数据的唯一视图不够客观时，会导致学习到的特性具有片面性。而多视图特征则可以通过互补信息规避这一缺点，因此获得的信息更加丰富。目前，多视图学习算法已被广泛应用于多个领域，有着极其重要的应用价值。通过本项目研究，有效提升了多视图学习算法在数据含噪声或不完整时的性能下降问题，增加了算法鲁棒性，并成功将多视图学习算法应用于大规模应用中。.本项目的主要研究内容及关键结果包括：.（1）为保持同类多视图样本在高维空间的多样性，设计了一种基于近邻空间的相似矩阵局部对齐方式。同时考虑近邻空间的局限性，设计了一种全局-局部的混合对齐方式。基于两种对齐方式推导了相应的数学模型，设计了高效的算法求解对应的优化问题，并通过实验验证了算法的有效性。.（2）为解决多视图聚类算法的脆弱性问题，提出了一种自适应提升数据视图质量的多视图聚类算法。该算法可以通过各个视图的聚类结果自动地标定异常位置，并使用设计的交替优化算法迭代地更新这些异常位置的值。基于常用的聚类算法，推导了含有缺失视图和噪声视图数据时算法的数学模型并进行了相关的理论分析，设计了高效优化算法求解对应的优化目标。.（3）为增加多视图分类算法的鲁棒性，设计了半监督的多变量流场涡特征提取算法，可以利用少量带标签数据进行学习，并使用大量无标签数据辅助学习，预测效率较全局涡提取方法加速比达到100倍，预测精度相当。.（4）为解决多视图算法难以扩展至大规模应用的问题，提出基于深度神经网络的多视图近似算法，结合深度神经网络和多视图学习算法，推导大规模多视图近似算法的数学模型并分析其特性，提高多视图学习算法扩展至大规模应用中的能力，通过本项目设计的方法，可将多核学习算法的样本量从一万推广到数十万，且性能不变。