Generalized Least Squares Kernelized Tensor Factorization
McGill University（麦吉尔大学）
针对恢复多维张量结构数据问题，提出GLSKF框架，通过整合全局与局部相关分量，利用协方差正则化等方法建模，结合交替最小二乘算法求解，在多个实际数据补全任务中展现出卓越性能和良好扩展性。
2026-07-22 cs.CV cs.LG stat.ML
Rank Determination for Low-Rank Data Completion
Columbia University（哥伦比亚大学）；Purdue University（普渡大学）
近年来，对于给定秩的低秩矩阵或张量的有限可完备性，得到了抽样模式的基本条件。在本文中，我们考虑的情况下，排名是不给定的，我们的目标是近似未知的排名的基础上采样条目的位置和一些给定的完成。我们考虑了一些数据模型，包括单视图矩阵，多视图矩阵，CP张量，张量训练张量和Tucker张量。对于这些数据模型中的每一个，我们提供了一个上界的秩时，一个任意的低秩完成。我们确定性地描述这些界限，即，假设采样模式满足某些组合性质，概率为1，并且概率上，即，假设采样概率高于某个阈值，则具有高概率。此外，对于单视图矩阵和CP张量，我们能够证明，如果最低秩完成给定，所获得的上界正好等于未知秩。此外，我们提供了数值实验的情况下，单视图矩阵，我们使用核范数最小化找到一个低秩完成的采样数据，我们观察到，在大多数情况下，建议的上限上的秩等于真正的秩。
2017-07-03 cs.LG stat.ML
Randomized Kernel Multi-view Discriminant Analysis
Rutgers University（罗格斯大学）；Baidu Research（百度研究院）
在许多人工智能和计算机视觉系统中，相同的对象可以在不同的视点或通过不同的传感器观察到，这就提出了从不同的甚至异构的视图中识别对象的挑战。多视点判别分析（Multi-view Discriminant Analysis，MvDA）是一种有效的多视点子空间学习方法，它以非成对的方式通过联合学习多个视点特定的线性投影来寻找判别公共子空间，用于多视点目标识别。在本文中，我们提出了多视图判别分析的内核版本，称为内核多视图判别分析（KMvDA）。为了克服核方法众所周知的计算瓶颈，我们还研究了使用随机傅立叶特征（RFF）近似高斯核KMvDA的性能，大规模学习。对这种近似的稳定性进行了理论分析。我们还在几个流行的多视图数据集上进行了实验，以说明我们提出的策略的有效性。
2020-04-02 cs.LG stat.ML
Geometric Matrix Completion: A Functional View
LIX, École Polytechnique（巴黎综合理工学院LIX实验室（LIX, École Polytechnique））
提出了几何矩阵完备化问题的一种全泛函观点。从现有的工作中，我们提出了一种新的正则化的启发，从功能图文献，更可解释的和理论上的声音。在具有强大的底层几何结构的合成任务上，我们的框架以巨大的优势（两个数量级）超过了最先进的技术，这表明了我们方法的潜力。在真实的数据集上，我们以以前方法的一小部分计算工作量实现了最先进的结果。我们的代码可在https://github.com/Not-IITian/functional-matrix-completion上公开获取
2020-09-29 cs.CV cs.LG cs.SI
Multi-view Metric Learning in Vector-valued Kernel Spaces
Aix Marseille Univ（艾克斯-马赛大学）；Université de Toulon（土伦大学）；CNRS（法国国家科学研究中心）；LIS（信息科学实验室）
我们考虑多视图数据的度量学习问题，并提出了一种新的方法来学习视图内以及视图间的度量向量值核空间，作为一种方法来捕捉多模态结构的数据。我们制定了两个凸优化问题，共同学习的度量和分类器或回归核特征空间。从最优化问题出发，提出了一种迭代的三步多视点度量学习算法。为了将计算扩展到大的训练集，引入了多视图核矩阵的分块Nystr{<$}m近似。我们从理论和实验上证明了我们的方法，并展示了它在现实世界的数据集上对相关的最先进的方法的性能。
2018-03-21 cs.LG stat.ML
Generative Restricted Kernel Machines: A Framework for Multi-view Generation and Disentangled Feature Learning
KU Leuven（鲁汶大学）
本文介绍了一种新的框架，生成模型的基础上限制核机器（RKM）与联合多视图生成和不相关的特征学习，称为Gen-RKM。为了实现联合多视图生成，该机制使用来自各种视图的数据的共享表示。此外，该模型具有原始和对偶公式，以将基于内核的模型和基于（深度卷积）神经网络的模型合并在同一设置中。当使用神经网络作为显式特征映射时，提出了一种新的训练过程，该过程联合学习特征和共享子空间表示。隐变量由核矩阵的特征分解给出，其中特征向量的相互正交性表示所学习的不相关特征。实验表明，通过对各种标准数据集上生成的样本进行定性和定量评估，该框架具有潜力。
2020-12-17 cs.LG stat.ML
A Unifying View of Multiple Kernel Learning
University of California, Berkeley（加州大学伯克利分校）
最近对多核学习的研究已经导致了许多在正则化风险最小化中组合核的方法。所提出的方法包括不同的目标公式和不同的正则化策略。在本文中，我们提出了一个统一的通用多核学习的优化标准，并展示了如何将现有的配方作为特殊情况。我们还导出了该准则的对偶表示，它适用于一般的光滑优化算法。最后，我们评估多核学习在这个框架中分析使用拉德马赫复杂度的泛化误差和经验上的一组实验。
2010-05-04 cs.LG stat.ML
Incomplete Multi-view Clustering via Diffusion Completion
针对不完整多视图聚类中缺失视图的影响问题，提出扩散补全方法，利用扩散模型恢复缺失视图并结合对比学习提升聚类性能，实验证明其优于现有方法。
2023-05-19 cs.AI cs.LG
A Unified View of Localized Kernel Learning
University of Utah（犹他大学）
多核学习（MKL）通过尝试不仅学习分类器/回归器，而且还学习训练任务的最佳内核（通常来自现有内核函数的组合）来扩展（内核化）SVM。大多数MKL方法寻求在每个训练样本上表现最好的组合内核，牺牲某些区域的性能以寻求全局最优。局部化核学习（LKL）通过允许训练算法将组件核与可以最好地利用它的示例相匹配来克服这一限制。在过去的几年中，已经探索了几种方法来解决本地化的内核学习问题。我们统一了许多这些方法在一个简单的系统，并设计了一个新的算法，提高了性能。我们还开发现有算法的增强版本，着眼于可扩展性和性能。
2016-03-04 cs.LG stat.ML
Multi-View Matrix Completion for Multi-Label Image Classification
Peking University（北京大学）；University of Technology, Sydney（悉尼科技大学）
由于多标签图像分类在基于Web的图像分析应用中的重要作用，例如大规模图像检索和浏览，因此对多标签图像分类的兴趣越来越大。矩阵补全最近被引入作为一种用于转导（半监督）多标签分类的方法，并且具有几个明显的优点，包括对特征和标签空间中的缺失数据和背景噪声的鲁棒性。然而，它是有限的，只考虑由一个单一的视图功能，它不能精确地描述包含几个语义概念的图像表示的数据。为了利用从不同视图获取的多个特征，我们必须将不同的特征连接为一个长向量。但是这种级联容易过拟合，并且通常导致基于MC的图像分类的非常高的时间复杂度。因此，我们建议加权合并不同视图的MC输出，并提出了多视图矩阵完成（MVMC）框架的直推式多标签图像分类。为了有效地学习视图组合权重，我们在标记集上应用交叉验证策略。在学习过程中，我们采用了平均精度（AP）损失，这是特别适合于多标签图像分类。最小二乘损耗公式也提出了为了效率，和鲁棒性的算法的基础上的AP损失相比，其他损失进行了研究。在PASCAL VOC' 07和MIRFlickr两个真实数据集上的实验结果表明，MVMC算法能够有效地实现多标签图像的半监督分类，并且能够利用不同特征的互补特性和输出一致性标签来提高多标签图像分类的质量.
2019-04-08 cs.CV cs.LG stat.ML
Incomplete Multi-view Clustering via Hierarchical Semantic Alignment and Cooperative Completion
School of Computer and Artificial Intelligence, Nanjing University of Finance and Economics（计算机与人工智能学院，南京财经大学）
本文提出HSACC框架，通过层次语义对齐与动态权重分配解决不完整多视图聚类问题，实现鲁棒融合与协同学习。
2026-02-20 cs.AI cs.LG eess.IV
Approximation beats concentration? An approximation view on inference with smooth radial kernels
Ohio State University（俄亥俄州立大学）
正定核及其相关的再生核希尔伯特空间为从数据中学习提供了一个数学上令人信服且实际上具有竞争力的框架。在本文中，我们采取近似理论的观点来探讨光滑核的各个方面与它们的推理性质。我们分析了核算子和矩阵的特征值衰减，特征函数/特征向量的性质和“傅立叶”系数的功能限制在一个离散的数据点的核空间。我们还研究了核的拟合能力，给出了再生核希尔伯特空间中球的脂肪粉碎维数的明确界限。有趣的是，使核函数在其“原生”核空间中非常有效的逼近器的相同属性，也限制了它们表示任意函数的能力。我们讨论了各种影响，包括那些梯度下降型方法。值得注意的是，我们的大多数边界都是测度独立的。此外，至少在中等维度上，特征值的界限比通常的矩阵集中结果所能得到的界限要严格得多。例如，我们看到核矩阵的特征值显示出近似指数衰减，常数仅取决于核和域。我们称之为“近似节拍集中”现象，因为即使数据是从概率分布中采样的，它们的一些方面在近似理论中也能得到更好的理解。
2018-08-02 cs.LG stat.ML
Efficient and Adaptive Kernelization for Nonlinear Max-margin Multi-view Learning
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
现有的基于核函数的多视图学习方法要么需要用户选择和调整单个预定义的核，要么必须计算和存储多个Gram矩阵来执行多个核学习。这些模型除了消耗大量的人力、计算和内存资源外，大多数都寻求其参数的点估计，并且容易对小的训练数据过拟合。在贝叶斯框架下提出了一种自适应核非线性最大间隔多视图学习模型。具体来说，我们规范的后验有效的多视图潜变量模型明确映射的潜在表示提取的多个数据视图到一个随机的傅立叶特征空间，最大利润率的分类约束。假设这些随机特征来自Dirichlet过程高斯混合，我们可以根据Bochners定理自适应地从数据中学习平移不变核。对于推理，我们采用数据增强的思想铰链损失，并设计了一个有效的基于梯度的MCMC采样器在增广空间。该算法不需要计算Gram矩阵，并且与训练集的大小成线性关系。在真实世界数据集上的大量实验表明，我们的方法具有优越的性能。
2019-10-11 cs.LG stat.ML
RKUM: An R Package for Robust Kernel Unsupervised Methods
Centers for Outcomes and Health Services Research, Ochsner Health（成果与健康服务研究中心，奥钦斯纳健康）
本文介绍R包RKUM，它基于广义损失函数实现鲁棒核协方差算子与核CCA，并提供影响函数检测离群点，为高维数据鲁棒核分析提供高效可扩展平台。
2025-11-05 cs.LG stat.ML
Two-view Graph Neural Networks for Knowledge Graph Completion
University of Stuttgart（斯图加特大学）；Oracle Labs（甲骨文实验室）；Monash University（莫纳什大学）；VinAI Research（VinAI研究院）
我们提出了一个有效的基于图神经网络（GNN）的知识图谱嵌入模型，我们命名为WGE，捕捉实体和关系为重点的图形结构。给定一个知识图谱，WGE构建一个无向的以实体为中心的图，将实体视为节点。WGE还从关注关系的约束中构造了另一个无向图，它将实体和关系视为节点。然后，WGE提出了一个基于GNN的架构，以更好地从这两个单一的实体和关系集中的图中学习实体和关系的向量表示。WGE将学习到的实体和关系表示馈送到加权得分函数中，以返回知识图谱完成的三重得分。实验结果表明，WGE优于强基线上的七个基准数据集的知识图谱完成。
2023-03-11 cs.AI cs.CL cs.LG
Online high rank matrix completion
Cornell University（康奈尔大学）
最近的进展，在矩阵完成使数据填补满秩矩阵，利用低维（非线性）的潜在结构。在本文中，我们开发了一个新的模型，高秩矩阵完成（HRMC），连同批处理和在线方法来拟合模型和样本外扩展，以完成新的数据。该方法的工作原理是使用核技巧将数据（隐式）映射到高维多项式特征空间;重要的是，即使原始数据矩阵是满秩的，数据也会占用该特征空间中的低维子空间。我们引入了一个明确的参数化的低维子空间，和一个在线拟合过程，以减少计算复杂性相比，最先进的在线方法也可以处理流或顺序数据，并适应非平稳的潜在结构。我们提供了这些方法成功所需的采样率的指导。在合成数据和运动捕捉数据上的实验结果验证了所提方法的性能。
2020-02-20 cs.LG stat.ML
Adaptive incomplete multi-view learning via tensor graph completion
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
随着数据采集技术的发展，多视图学习成为研究的热点。一些多视图学习方法假设多视图数据是完整的，这意味着所有实例都存在，但这太理想化了。基于张量的不完整多视图数据处理方法已经出现，并取得了较好的效果。但也存在一些问题，如使用传统的张量范数，计算量大，不能处理样本外。针对这两个问题，提出了一种新的不完全多视图学习方法。定义了一种新的张量范数来实现图张量数据的恢复。然后将恢复的图正则化为样本的一致低维表示。此外，自适应权重配备给每个视图，以调整不同的视图的重要性。与现有方法相比，该方法不仅能挖掘视图间的一致性，而且能利用学习到的投影矩阵获得新样本的低维表示.设计了一种基于非精确增广拉格朗日乘子（ALM）方法的求解算法，并证明了算法的收敛性。在四个数据集上的实验结果表明了该方法的有效性。
2022-08-07 cs.LG
A Unifying View of Explicit and Implicit Feature Maps of Graph Kernels
TU Dortmund University（多特蒙德工业大学）；Washington University in St. Louis（圣路易斯华盛顿大学）；TU Darmstadt（达姆施塔特工业大学）
非线性核方法可以通过使用合适的显式特征映射的快速线性方法来近似，从而允许其应用于大规模问题。我们研究了结构化数据的卷积核是如何从基本核组成的，并构建了相应的特征图。在此基础上，我们提出了广泛使用的图核的核技巧的基础上的准确和近似的特征映射。我们分析了显式特征映射的内核和图形属性计算是可行的，实际上更有效。特别是，我们推导出近似的，明确的特征映射的最先进的内核支持实值属性，包括GraphHopper和图形不变的内核。在广泛的实验中，我们表明，我们的方法往往达到了接近的准确方法的基础上的内核技巧的分类精度，但只需要一小部分的运行时间。此外，我们提出和分析算法计算随机行走，最短路径和子图匹配核显式和隐式特征映射。我们的理论结果证实了实验观察时，比较运行时间的标签多样性，步行长度和子图的大小，分别相变。
2019-09-03 cs.LG stat.ML
A generalized kernel machine approach to identify higher-order composite effects in multi-view datasets
Tulane University（杜兰大学）
近年来，对多视图数据集（例如，多组学和成像扫描）已经成为生物医学研究的焦点和前沿。最先进的生物医学技术使我们能够收集多视图生物医学数据集，用于复杂疾病的研究。虽然所有的数据视图都倾向于探索疾病的互补信息，但具有复杂相互作用的多视图数据分析对于更深入和全面地了解生物系统具有挑战性。在本文中，我们提出了一种新的广义核机器方法来识别高阶复合效应在多视图生物医学数据集。这种广义半参数（混合效应线性模型）方法包括来自不同数据视图的特征的边缘和联合Hadamard乘积。所提出的核机器方法将多视图数据视为预测变量，以允许对复杂性状进行更彻底和全面的建模。所提出的方法可以应用于任何疾病模型的研究，其中多视图数据集可用。我们将我们的方法应用于来自青少年大脑发育和骨质疏松研究的合成数据集和真实多视图数据集，包括成像扫描数据集和五个组学数据集。我们的实验表明，所提出的方法可以有效地识别高阶复合效应，并建议相应的功能（基因，感兴趣的区域和化学分类）的功能在一个协调的努力。我们表明，所提出的方法是更普遍的比现有的。
2020-04-29 cs.LG stat.ML
Low-rank Distributional Matrix Completion
University of Texas at Dallas（德克萨斯大学达拉斯分校）；Texas A&M University（德克萨斯农工大学）
针对每个条目为概率分布的矩阵，提出基于核均值嵌入和Tucker秩的低秩结构，通过函数展开算子连接无限维与有限维，实现分布矩阵补全并给出非渐近误差界。
2026-06-02 cs.LG math.ST stat.ML
Bayesian Sparse Factor Analysis with Kernelized Observations
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；Gregorio Marañón Health Research Institute（格雷戈里奥·马拉尼翁健康研究所）
多视图问题可以用潜变量模型来解决，因为它们能够找到低维投影，这些投影可以公平地捕捉到覆盖每个数据的多个视图之间的相关性。另一方面，高维和非线性问题传统上由核方法处理，在潜在投影和数据本身之间引入（非）线性函数。然而，它们通常会带来可伸缩性问题和过度拟合的暴露。在这里，我们建议合并这两种方法到一个模型，使我们可以利用多视图潜在模型和核方法的最佳功能，而且，克服他们的局限性。特别是，我们将概率因子分析与我们所说的核化观测相结合，其中模型的重点不是重建数据本身，而是重建它与核函数测量的其他数据点的关系。该模型可以组合多种类型的视图（内核化或非内核化），并且可以处理异构数据并在半监督设置中工作。此外，通过包括足够的先验知识，它可以为核化观测提供紧凑的解决方案-基于贝叶斯相关向量（RV）的自动选择-并且可以包括特征选择功能。使用几个公共数据库，我们证明了我们的方法（及其扩展）的潜力w.r.t.常见的多视图学习模型，例如核典型相关分析或流形相关性确定。
2021-01-27 cs.LG stat.ML
Multi-View Kernel Consensus For Data Analysis
Tel Aviv University（特拉维夫大学）；Yale University（耶鲁大学）
许多数据驱动任务的输入数据特征集是高维的，而数据的固有维数是低的。数据分析方法的目的是通过利用将属性集视为单个整体集的距离度量来揭示由低维隐藏参数施加的底层低维结构。然而，将低维现象转换为测量的高维观测可能会使距离度量失真，这种失真会影响期望的估计的低维几何结构。在本文中，我们建议利用冗余的属性域划分成多个子集，我们称之为视图的属性。所提出的方法利用不同视图之间的一致性（也称为共识）来提取有价值的几何信息，这些信息统一了关于几个不同观测之间内在关系的多个视图。这种统一增强了单个视图或简单的视图连接所提供的信息。
2019-01-29 cs.LG stat.ML
A Unified View of Optimal Kernel Hypothesis Testing
Centre for Artificial Intelligence Gatsby Computational Neuroscience Unit（人工智能中心加布特计算神经科学单位）
本文提出了一种统一的最优核假设检验框架，涵盖了MMD两样本、HSIC独立性和KSD适配性方法，提出了自适应核选择方法，并探讨了计算效率、差分隐私和鲁棒性等约束条件下的最优分离率问题。
2025-12-28 cs.LG stat.ME stat.ML
Multi-view Kernel PCA for Time series Forecasting
KU Leuven（鲁汶大学）
在本文中，我们提出了一个多变量时间序列预测的核主成分分析模型，其中的训练和预测方案来自于限制核机器的多视图制定。训练问题简单地是对应于输入和输出数据的视图的两个核矩阵的总和的特征值分解。当输出视图使用线性核时，它表明预测方程采取核岭回归的形式。当该核是非线性的时，必须解决前像问题以预测输入空间中的点。我们在几个标准的时间序列数据集上评估模型，进行消融研究，与密切相关的模型进行基准测试，并讨论其结果。
2023-01-24 cs.LG
Multi-view Clustering via Unified Multi-kernel Learning and Matrix Factorization
School of Mathematics, Hunan University（湖南大学数学学院）；Shenzhen Research Institute, Hunan University（湖南大学深圳研究院）；Malaysia-Japan International Institute of Technology (MJIIT), Universiti Teknologi, Malaysia（马来西亚理工大学马来西亚-日本国际理工学院）；College of Science, Princess Nourah bint Abdulrahman University (PNU)（公主诺拉·宾特·阿卜杜勒拉赫曼大学理学院）；Regional Research Center, Iwate Prefectural University（岩手县立大学区域研究中心）
针对现有多核聚类计算复杂度高、基于矩阵分解的多视图聚类单视图约束限制学习的问题，提出融合多核学习与矩阵分解的多视图聚类方法，通过对共识矩阵施加正交约束、避免最优核学习降低复杂度，搭配三步优化算法，经真实数据集验证有效。
2024-12-12 cs.LG
Variational Relational Point Completion Network
Nanyang Technological University（南洋理工大学）；SenseTime Research（商汤科技研究院）；Shanghai AI Laboratory（上海人工智能实验室）
由于视点、遮挡和噪声的影响，实际扫描的点云往往是不完整的。现有的点云完成方法往往会生成全局形状骨架，因此缺乏精细的局部细节。此外，他们大多学习确定性的部分到完整的映射，但忽略了人造物体的结构关系。为了应对这些挑战，本文提出了一个变分框架，变分关系点完成网络（VRCNet）具有两个吸引人的属性：1）概率建模。特别是，我们提出了一个双路径架构，使原则概率建模部分和完整的云。一条路径消耗完整的点云，通过学习点VAE进行重建。另一条路径生成部分点云的完整形状，其嵌入分布由训练期间从重建路径获得的分布指导。2)关系增强。具体而言，我们精心设计的点自注意核和点选择核模块，利用关系点的功能，细化局部形状细节的条件下，粗略完成。此外，我们还贡献了一个多视图部分点云数据集（MVP数据集），其中包含超过100，000个高质量扫描，可以为每个3D CAD模型呈现来自26个均匀分布的相机姿势的部分3D形状。大量的实验表明，VRCNet在所有标准点云完成基准测试中的表现优于最先进的方法。值得注意的是，VRCNet在现实世界的点云扫描上显示出很强的通用性和鲁棒性。
2021-04-20 cs.CV cs.LG
Rectified Gaussian kernel multi-view k-means clustering
针对多视图数据聚类问题，提出指数距离多视图k均值（MVKM-ED）和高斯核多视图k均值（GKMVKM）两种算法，通过高斯核空间欧氏距离计算及参数对齐提升性能，在5个真实数据集上验证了鲁棒性与高效性。
2024-05-16 cs.CV cs.LG
Robust Hashing for Multi-View Data: Jointly Learning Low-Rank Kernelized Similarity Consensus and Hash Functions
The University of Adelaide（阿德莱德大学）；The University of New South Wales（新南威尔士大学）
学习散列函数/代码用于多视图数据的相似性搜索正吸引越来越多的关注，其中相似的散列代码被分配给表征跨视图的一致邻域关系的数据对象。这类传统方法存在三个固有的局限性：1）它们通常采用两阶段方案，首先构造相似性矩阵，然后是随后的哈希函数学习; 2）这些方法通常是在假设具有多种表示的数据样本是无噪声的基础上开发的，这在实际应用中是不切实际的; 3）由于使用数据库（$O(N)$）中的所有$N$点构建邻域图，往往会导致训练模型繁琐。在本文中，我们激发的问题，联合和有效地训练强大的哈希函数的数据对象与多特征表示，可能是噪声破坏。为了实现鲁棒性和训练效率，我们提出了一种有效和高效地学习低秩核化\footnote{We use kernelized similarity rather than kernel, as it is not a squared symmetric matrix for data-landmark affinity matrix.}散列函数的方法。具体地说，我们利用地标图来构造易处理的多视图相似性矩阵，以自动发现数据中的邻域结构。为了学习鲁棒的哈希函数，使用潜在的低秩核函数来构造哈希函数，以适应线性不可分的数据。特别是，潜在的核相似性矩阵恢复多个基于核的相似性矩阵的秩最小化。在真实世界的多视图数据集上进行的大量实验验证了我们的方法在存在错误损坏的情况下的有效性。
2016-11-17 cs.LG
Scalable Multi-view Clustering via Explicit Kernel Features Maps
CDC Informatique（信息科技公司）
本文提出一种可扩展的多视图聚类方法，通过显式核特征映射和非迭代优化策略，提升大规模数据集的聚类效率和准确性。
2026-01-22 cs.LG
Duality in Multi-View Restricted Kernel Machines
KU Leuven（鲁汶大学）
本文提出统一的原-对偶多视图受限核机器框架，将多种现有方法纳入核主成分分析，证明原对偶等价性，并通过时间序列预测实验验证其有效性。
2023-07-06 cs.LG
Missing Entries Matrix Approximation and Completion
School of Electrical Engineering Tel Aviv University（电气工程学院 特拉维夫大学）；School of Computer Science Tel Aviv University（计算机科学学院 特拉维夫大学）
针对仅部分条目已知的矩阵，提出一系列算法实现矩阵补全与逼近，支持低秩、核范数、谱范数等多种约束，并证明凸情形下全局收敛，无需参数且适用于图像重建及偏微分方程数据恢复。
2014-06-29 cs.LG cs.NA math.NA
Twin Restricted Kernel Machines for Multiview Classification
Department of Mathematics（数学系）；Indian Institute of Technology Indore（印度理工学院印度尔）
本文提出TMvRKM模型，结合核机与多视框架，通过正则化最小二乘方法提升多视分类的计算效率和泛化性能。
2025-12-12 cs.LG
Variational Relational Point Completion Network for Robust 3D Classification
Nanyang Technological University（南洋理工大学）；SenseTime Research（商汤科技研究院）；Shanghai AI Lab（上海人工智能实验室）
本文提出变分关系点云补全网络VRCNet，通过双路径概率建模与点自注意力、选择性核模块增强局部细节，并构建MVP系列数据集，在补全基准和真实扫描上取得领先性能，显著提升部分点云的三维分类准确率。
2023-04-18 cs.CV cs.LG
Singular parameters and missing limits in neural PDE solvers
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）
本文针对神经PDE求解器中因参数无界增长导致的缺失极限问题，通过分析tanh网络并添加核导数来补全模型，使最佳逼近可达，并数值验证了其对优化的影响。
2026-10-06 cs.LG cs.NA math.NA
Point Cloud Completion by Learning Shape Priors
National University of Singapore（新加坡国立大学）
针对点云补全中物体细节重建困难的问题，提出了一种基于形状先验学习的物体补全方法。形状先验包括完整点云和部分点云中的几何信息。我们设计了一个特征对齐策略，从完整的点学习形状先验，和一个粗到精的策略，将部分先验的精细阶段。为了事先学习完整的对象，我们首先训练一个点云自动编码器来从完整的点中提取潜在的嵌入。然后我们学习一个映射，通过优化特征对齐损失将点特征从部分点转移到完整点。特征对齐损失由L2距离和由最大均值离散生成对抗网络（MMD-GAN）获得的对抗损失组成。L2距离优化了特征空间中的部分特征，MMD-GAN减小了再生核希尔伯特空间中两个点特征的统计距离。我们在点云完成任务上实现了最先进的性能。我们的代码可在https://github.com/xiaogangw/point-cloud-completion-shape-prior上获得。
2021-07-15 cs.CV cs.LG eess.IV
Personalized Federated Heat-Kernel Enhanced Multi-View Clustering via Advanced Tensor Decomposition Techniques
Independent Researcher（独立研究者）
本文提出基于高级张量分解技术的个性化联邦热核增强多视图聚类方法，通过改进的数学模型和算法设计提升聚类效果并保障数据隐私。
2026-01-01 cs.DC cs.LG
FaithFill: Faithful Inpainting for Object Completion Using a Single Reference Image
Georgetown University（乔治城大学）
本文提出基于扩散的 FaithFill 修复流程，仅用单张光照、背景或视角不同的参考图生成多视图并补全物体缺失部分，同时保持场景，且在 DreamBooth 与新数据集上通过指标、人工和 GPT 评估验证。
2024-06-12 cs.AI cs.CV cs.LG
FedHK-MVFC: Federated Heat Kernel Multi-View Clustering
Independent Researcher（独立研究者）
FedHK-MVFC通过联邦学习和隐私保护技术，在医疗领域实现几何感知的多视图聚类，提升聚类准确率并保护患者隐私。
2025-12-01 cs.CV cs.DC cs.LG
Deterministic and Probabilistic Conditions for Finite Completability of Low-rank Multi-View Data
Columbia University（哥伦比亚大学）；Purdue University（普渡大学）
我们考虑多视图数据完成问题，即，以完成矩阵$\mathbf{U}=[\mathbf{U}_1|\mathbf{U}_2]$，其中给出了$\mathbf{U},\mathbf{U}_1$和$\mathbf{U}_2$的秩。特别是，我们调查的基本条件的采样模式，即，在给定相应的秩约束的情况下，针对这种多视图数据的有限可完成性的采样条目的位置。与现有的单视图矩阵的格拉斯曼流形分析相比，即，传统的矩阵完成，我们提出了一个几何分析的流形结构的多视图数据，将一个以上的秩约束。给出了有限可完备性的抽样模式的一个确定性的充分必要条件。我们还给出了一个概率条件，保证有限的可完成性，以高概率的每列的样本数。最后，使用开发的工具，我们得到的确定性和概率的保证，唯一的可完成性。
2017-04-26 cs.IT cs.LG math.AG
