In many machine learning problems, labeled training data is limited but unlabeled data is ample. Some of these problems have instances that can be factored into multiple views, each of which is nearly sufficent in determining the correct labels. In this paper we present a new algorithm for probabilistic multi-view learning which uses the idea of stochastic agreement between views as regularization. Our algorithm works on structured and unstructured problems and easily generalizes to partial agreement scenarios. For the full agreement case, our algorithm minimizes the Bhattacharyya distance between the models of each view, and performs better than CoBoosting and two-view Perceptron on several flat and structured classification problems.
Iterative Views Agreement: An Iterative Low-Rank based Structured Optimization Method to Multi-View Spectral Clustering
The University of New South Wales（新南威尔士大学）；The University of Adelaide（阿德莱德大学）；Australian Centre for Robotic Vision（澳大利亚机器人视觉中心）；The University of Melbourne（墨尔本大学）；University of Technology Sydney（悉尼科技大学）
Encoding Domain Knowledge in Multi-view Latent Variable Models: A Bayesian Approach with Structured Sparsity
German Cancer Research Center (DKFZ)（德国癌症研究中心（DKFZ））；German Cancer Consortium (DKTK)（德国癌症联盟（DKTK））；Goethe University Frankfurt（法兰克福歌德大学）；Frankfurt Cancer Institute（法兰克福癌症研究所）
Multi-View Incremental Learning with Structured Hebbian Plasticity for Enhanced Fusion Efficiency
Fuzhou University（福州大学）；Guangdong Institute of Intelligence Science and Technology（广东智能科学与技术研究院）；University of Electronic Science and Technology of China（电子科技大学）；Tsinghua University（清华大学）；Dalian University of Technology（大连理工大学）
Structured Graph Learning for Scalable Subspace Clustering: From Single-view to Multi-view
School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院）；School of Resources and Environment, University of Electronic Science and Technology of China（电子科技大学资源与环境学院）
Guangdong University of Technology（广东工业大学）；National University of Singapore（新加坡国立大学）；Tencent Technology (SZ) Co., Ltd.（腾讯科技（深圳）有限公司）；Carnegie Mellon University（卡内基梅隆大学）
Towards Structured Deep Neural Network for Automatic Speech Recognition
National Taiwan University（台湾大学）
在本文中，我们提出了结构化深度神经网络（Structured DNN）作为一种结构化和深度学习算法，通过全局考虑结构之间的映射关系而不是逐项考虑结构化输入（如向量序列），学习找到最佳结构化对象（如标签序列）。当自动语音识别被视为这种结构化学习问题的特殊情况时，其中我们将声学矢量序列作为输入，并将音素标签序列作为输出，可以作为一个整体而不是逐帧地全面学习发音。结构化支持向量机（Structured Support Vector Machine，简称结构化SVM）是一种基于结构化学习的自动识别方法，但受到SVM线性性质的限制。在这里，我们提出了结构化DNN，以使用多层非线性变换作为结构化和深度学习算法。在TIMIT的初步实验中，它被证明优于结构化SVM。
Super-resolution Multi-signal Direction-of-Arrival Estimation by Hankel-structured Sensing and Decomposition
Center for Connected Autonomy and AI（连接自主与人工智能中心）；Dept. of Electrical Engineering and Computer Science（电气工程与计算机科学系）；Florida Atlantic University（佛罗里达大学）；Air Force Research Laboratory（空军研究实验室）；AFRL/RI（空军研究实验室/RI）
SGA: A Robust Algorithm for Partial Recovery of Tree-Structured Graphical Models with Noisy Samples
National University of Singapore（新加坡国立大学）
我们考虑学习伊辛树模型时，从节点的观察是由独立的，但不相同分布的噪声与未知的统计损坏。Katiyar等人（2020）表明，虽然无法恢复精确的树结构，但可以恢复部分树结构;即属于包含真树的等价类的结构。本文对Katiyar et al.（2020）进行了系统的改进。首先，我们提出了一个新的不可能的结果，通过推导出的部分恢复所需的样本数的界限。第二，我们推导出一个显着改善的样本复杂度的结果，其中的最小相关$ρ_{\min}$的依赖是$ρ_{\min}^{-8}$，而不是$ρ_{\min}^{-24}$。最后，我们提出了对称几何平均（SGA），一个更强大的统计算法的部分树恢复。我们提供了各种树的误差指数分析和广泛的数值结果，以表明SGA的样本复杂度明显优于Katiyar等人的算法。SGA可以很容易地扩展到高斯模型，并通过数值实验表明，同样优越。
Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning
College of Intelligence and Computing, Tianjin University（天津大学智能与计算学院）；Department of Radiology, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology（华中科技大学同济医学院附属同济医院放射科）；Department of Radiology, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine（上海交通大学医学院附属瑞金医院放射科）；Department of Research and Development, Shanghai United Imaging Intelligence Co., Ltd.（上海联影智能医疗科技有限公司研发部）；Department of Radiology, China-Japan Union Hospital of Jilin University（吉林大学中日联谊医院放射科）
