Core Concepts
다중 뷰 학습에서 갈등이 있는 데이터를 신뢰할 수 있는 방식으로 처리하는 중요성
Abstract
다중 뷰 학습은 다양한 특징을 결합하여 데이터를 보다 포괄적으로 설명하는 것을 목표로 함.
실제 다중 뷰 데이터에는 낮은 품질의 갈등이 있는 인스턴스가 포함될 수 있음.
기존 방법은 갈등이 있는 데이터를 제거하거나 대체하는 데 주로 초점을 맞추었음.
이에 대한 새로운 "신뢰할 수 있는 갈등이 있는 다중 뷰 학습(RCML)" 문제를 제시하고, "증거 기반 갈등이 있는 다중 뷰 학습(ECML)" 방법을 개발함.
ECML은 뷰별 증거를 학습하고, 의견을 형성하여 의사결정 결과와 신뢰도를 구축함.
다중 뷰 퓨전 단계에서는 갈등이 있는 의견 집계 전략을 제안하고,理론적으로 이 전략이 다중 뷰 공통 및 뷰별 신뢰도의 관계를 정확하게 모델링할 수 있다고 증명함.
6개 데이터셋에서 수행된 실험은 ECML의 효과를 검증함.
Stats
"Experiments performed on 6 datasets verify the effectiveness of ECML." (6개 데이터셋에서 수행된 실험은 ECML의 효과를 검증함.)
Quotes
"Most previous works assume that multiple views are strictly aligned."
"Real-world applications usually require making decisions for conflictive instances rather than only eliminating them."
"ECML first learns view-specific evidence, which could be termed as the amount of support to each category collected from data."