Más allá de la agregación local: aprendizaje contrastivo de grafos globales para la fusión multivista

Área de la Ciencia:

• Aprendizaje automático
• Ciencia de datos
• Visión por computadora

Sus antecedentes:

• La fusión multivista es crucial para integrar fuentes de datos heterogéneas.
• El aprendizaje multivista no supervisado basado en redes de grafos enfrenta desafíos en la construcción, alineación y explotación de grafos.

Objetivo del estudio:

• Proponer el algoritmo de aprendizaje contrastivo de grafos globales para la fusión multivista (G²CM).
• Abordar los desafíos clave en el aprendizaje multivista no supervisado utilizando redes de grafos.

Principales métodos:

• G²CM integra la topología global con bordes ponderados específicos de la vista para una construcción de grafos fiable.
• Un marco de aprendizaje contrastivo con pares positivos y negativos cuidadosamente diseñados mejora la alineación entre vistas.
• El escalado consciente de la distancia en la función de pérdida mejora la explotación de la información estructural.

Principales resultados:

• G²CM logra un rendimiento de última generación en seis conjuntos de datos de referencia multivista.
• El método demuestra su eficacia en diversos tipos de datos.
• Los resultados experimentales validan el enfoque propuesto para la fusión multivista.

Conclusiones:

• G²CM aborda eficazmente las limitaciones en el aprendizaje multivista no supervisado.
• El algoritmo mejora el aprendizaje de la representación al integrar información estructural global y local.
• El método propuesto ofrece una solución robusta para tareas de fusión multivista.