[发明专利]一种异构数据共享表示学习方法及系统

权利要求书

1.一种异构数据共享表示学习方法，其特征在于，包括：

选取数据中的预设数据样本为原子，构建数据样本词典；

提取所述数据样本词典中的原子在各个模态的特征表示，构建各个模态的特征词典，每一模态的特征词典以各预设数据样本在对应模态提取的特征表示为原子；

基于数据样本在各个模态提取的特征表示、各个模态的所述特征词典构建数据重构模型，学习获得数据样本的数据共享表示，以根据所述数据共享表示对该数据样本进行分类。

2.根据权利要求1所述的异构数据共享表示学习方法，其特征在于，当在数据中无标定数据时，任取一个特征模态对数据进行聚类，选取代表性数据样本作为所述预设数据样本。

3.根据权利要求2所述的异构数据共享表示学习方法，其特征在于，所述基于数据样本在各个模态提取的特征表示、各个模态的所述特征词典构建数据重构模型之前，还包括：

计算数据样本在各个模态提取的特征表示分别与对应模态的特征词典中各原子的相似度值，得到的结果作为数据样本在各个模态的特征表示，数据样本第m个模态的特征表示为X^m，m∈[1,M]；

所述基于数据样本在各个模态提取的特征表示、各个模态的所述特征词典构建数据重构模型，学习获得数据样本的数据共享表示包括：

建立的所述数据重构模型表示如下：

$\underset{Z,D^m}{min}\frac{1}{2}\underset{m=1}{\overset{M}{\Σ}}\left|\right|X^m-D^{m}Z|{|}_F^2+\mathrm{\β}|\left|Z\right|{|}_{*}+\mathrm{\γ}\underset{m=1}{\overset{M}{\Σ}}Tr\left({\mathrm{ZL}}^m{Z}^T\right);$

其中，第一个正则项表示对重构误差的约束，第二个正则项表示低秩约束，第三个正则项表示拉普拉斯约束，Z表示数据共享表示，L^m表示第m个模态上构造的拉普拉斯矩阵；并有如下关系：

$\begin{array}{c}\frac{1}{2}\underset{m=1}{\overset{M}{\Σ}}\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}{W}_{i,j}^m\left|\right|Z_i-Z_j|{|}^2=\underset{m=1}{\overset{M}{\Σ}}\underset{i=1}{\overset{N}{\Σ}}{\mathrm{Deg}}_{i,i}^m{Z}_i{Z}_i^T-\underset{m=1}{\overset{M}{\Σ}}\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}{W}_{i,j}^m{Z}_i{Z}_j^T\\ =\underset{m=1}{\overset{M}{\Σ}}\left(Tr\right(Z\left({\mathrm{Deg}}^m\right)Z^T)-Tr({\mathrm{ZW}}^m{Z}^T\left)\right)=\underset{m=1}{\overset{M}{\Σ}}Tr\left({\mathrm{ZL}}^m{Z}^T\right)\end{array};$

其中，N表示数据样本的数目，W^m表示第m个模态上利用相似度值构造的邻接图矩阵，Deg^m表示第m个模态上的度矩阵。