高玉森，朱昌明，岳聞

上海海事大學(xué) 信息工程學(xué)院，上海 201306

多視角學(xué)習(xí)[1-2]是當(dāng)前模式識別領(lǐng)域中的一個熱點(diǎn)，吸引了許多學(xué)者進(jìn)行研究。多視角學(xué)習(xí)旨在學(xué)習(xí)由多視角數(shù)據(jù)組成的多視角數(shù)據(jù)集的特征，并設(shè)計可行的分類器以對這些數(shù)據(jù)集進(jìn)行分類。比較知名的多視角學(xué)習(xí)算法有協(xié)同訓(xùn)練、多核學(xué)習(xí)以及子空間學(xué)習(xí)等。假設(shè)有一個多視角數(shù)據(jù)集D，其中每個數(shù)據(jù)均包含來自2 個視角的特征，即 {(x1,y1),(x2,y2),···,(xn,yn)} 。 特征{(x1,y1),(x2,y2),···,(xn,yn)} 來 自 特 征 集X， 特 征{(x1,y1),(x2,y2),···,(xn,yn)}來自特征集Y。這里，X和Y也代表此數(shù)據(jù)集的2 個視角。多視角學(xué)習(xí)旨在從X和Y中學(xué)習(xí)并獲得特征，從而設(shè)計一種可行的分類器。為了更好地學(xué)習(xí)特征，特征提取成為一種很好的方法，經(jīng)典的特征提取方法是典型相關(guān)分析(CCA)[3-4]。CCA 旨在從2 個視角中尋找特征集之間的線性相關(guān)關(guān)系，處理分類任務(wù)時，CCA 首先提取出2 組典型相關(guān)變量，使得2 組數(shù)據(jù)間相關(guān)性最大；接著再利用這2 組典型相關(guān)變量的組合（串行或并行）進(jìn)行后續(xù)分類，能夠獲得比只使用單組特征進(jìn)行操作的更優(yōu)的分類效果。在過去的幾十年中，CCA 及其變體已成功應(yīng)用于許多領(lǐng)域，例如圖像處理[5-6]、模式識別[7-8]以及腦電分析[9-10]等。

盡管CCA 在特征提取方面具有不錯的性能，但CCA 本身是一種無監(jiān)督降維方法，沒有利用樣本的類別信息。為了解決這個問題，首先提出了判別典型相關(guān)分析(Discriminative CCA, DCCA)[11]，DCCA 在CCA 的基礎(chǔ)上既考慮了2 個視角間的相關(guān)關(guān)系，又考慮了視角內(nèi)數(shù)據(jù)的相關(guān)關(guān)系。在最小化視角類內(nèi)相似度的同時最大化視角類間相似度，提取出了比CCA 更有判別性的相關(guān)特征。但DCCA 依舊采用對各視角提取的特征本身直接進(jìn)行組合及分類輸入，并沒有針對分類任務(wù)來直接優(yōu)化組合特征本身。針對這個問題，周旭東等[12-13]提出了一種優(yōu)化組合特征的有監(jiān)督降維方法：增強(qiáng)組合特征判別性的CCA(CECCA)，CECCA 通過結(jié)合判別分析，優(yōu)化組合特征本身及其組成部分，獲得了更利于分類的組合特征。

CCA、DCCA 和CECCA 等算法在處理分類任務(wù)時，僅關(guān)注于隱藏在“干凈”數(shù)據(jù)中的信息，這些信息完全屬于學(xué)習(xí)任務(wù)中存在的任何類別，稱其為目標(biāo)數(shù)據(jù)。Universum 學(xué)習(xí)提出了將關(guān)于應(yīng)用領(lǐng)域的先驗(yàn)知識融入到學(xué)習(xí)過程中，這些知識與目標(biāo)數(shù)據(jù)具有相同域但不屬于任務(wù)目標(biāo)類，被稱為Universum 數(shù)據(jù)。已經(jīng)提出了許多具有Universum 學(xué)習(xí)的學(xué)習(xí)機(jī)，例如陳曉紅等[14]提出了一種改進(jìn)的CCA(ICCA)。在ICCA 中，必須同時考慮目標(biāo)數(shù)據(jù)之間的相關(guān)性和Universum 數(shù)據(jù)之間的相關(guān)性。這意味著在使用ICCA 時，特征提取會使用更多先驗(yàn)信息。ICCA 通過執(zhí)行相關(guān)性分析，使目標(biāo)數(shù)據(jù)上的相關(guān)性盡可能大，而Universum 數(shù)據(jù)上的相關(guān)性盡可能小。它可以獲得具有與目標(biāo)數(shù)據(jù)最大相關(guān)性和與Universum 數(shù)據(jù)最小相關(guān)性的理想方向。

CECCA 和ICCA 在特征提取方面都比CCA具有更好的性能，但是ICCA 和CECCA 都沒有利用彼此的優(yōu)勢。故將Universum 學(xué)習(xí)引入到CECCA 中，通過結(jié)合判別分析與Universum 學(xué)習(xí)提出了一種改進(jìn)的增強(qiáng)組合特征判別性的典型相關(guān)分析(ICECCA), ICECCA 在CECCA 的基礎(chǔ)上，通過結(jié)合Universum 學(xué)習(xí)，實(shí)現(xiàn)在利用訓(xùn)練數(shù)據(jù)與Universum 數(shù)據(jù)獲得更多先驗(yàn)信息的同時，做到對組合特征相關(guān)性與判別性的聯(lián)合優(yōu)化。

1 相關(guān)工作

1.1 典型相關(guān)分析

1.2 增強(qiáng)組合特征判別性典型相關(guān)分析

CCA 是一種無監(jiān)督學(xué)習(xí)方法，做分類任務(wù)時直接利用提取出的特征，并沒有利用樣本的類別信息，缺少良好的判別性。CECCA 在CCA 基礎(chǔ)上加入了一種判別性懲罰項，通過結(jié)合判別信息，使得抽取的特征更利于分類。

1.3 改進(jìn)的典型相關(guān)分析

2 改進(jìn)的增強(qiáng)組合特征判別性的典型相關(guān)分析

由于ICCA 和CECCA 具有彼此所沒有的優(yōu)勢，ICCA 引入了Universum 學(xué)習(xí)，獲得了更多的先驗(yàn)知識；CECCA 利用判別分析，實(shí)現(xiàn)對雙視角特征相關(guān)性與判別性的同時優(yōu)化。二者相比于CCA 都能更好地處理分類問題，但是它們都沒有利用彼此的優(yōu)勢。因此在這里可將Universum學(xué)習(xí)與CECCA 結(jié)合，提出一種改進(jìn)的增強(qiáng)組合特征判別性的典型相關(guān)分析(ICECCA)，以便能夠同時利用Universum 學(xué)習(xí)以及判別分析。ICECCA 在ICCA 和CECCA 的基礎(chǔ)上，通過結(jié)合二者優(yōu)勢，實(shí)現(xiàn)在獲得更多先驗(yàn)信息的同時，做到了對目標(biāo)樣本特征相關(guān)性與判別性優(yōu)化。

3 實(shí)驗(yàn)

在本節(jié)中，為了評估所提出的ICECCA 的性能，在多個數(shù)據(jù)集上進(jìn)行了對比實(shí)驗(yàn)，比較的方法包括CCA[3]，ICCA[14]和CECCA[12]。使用的數(shù)據(jù)集包括人工數(shù)據(jù)集以及多特征數(shù)據(jù)集。

3.1 在人工數(shù)據(jù)集上的性能比較

為了公平起見，在本實(shí)驗(yàn)中采用和文獻(xiàn)[14]中相同的人工數(shù)據(jù)集分布（分布是相同的，但是數(shù)據(jù)的生成是隨機(jī)的），生成一個具有2 個目標(biāo)類的雙視角（X視 角和Y視角）數(shù)據(jù)集，每個類包含100 個二維樣本，Universum 數(shù)據(jù)集包含200 個樣本。X=[X1,X2]表 示為目標(biāo)樣本的X視角，其中Xi(i=1,2)是 第i類的樣本矩陣。它們均通過高斯

圖1 訓(xùn)練樣本分布

圖2 測試樣本分布

在實(shí)驗(yàn)中，參數(shù) η的設(shè)置參考文獻(xiàn)[14]，即η=2-4。圖3 和圖4 分別展示了從訓(xùn)練和測試樣本中提取的第一對特征的分布。

圖3 X 視角和Y 視角的一維特征（訓(xùn)練樣本）

從圖3 和圖4 中可以看出，CCA 雖然揭示特征間的線性相關(guān)關(guān)系，但2 類間存在嚴(yán)重重疊；ICCA 引入了Universum 學(xué)習(xí)，獲得了更多的先驗(yàn)信息，取得了比CCA 更優(yōu)的結(jié)果，但依舊存在重疊。CECCA 與ICECCA均引入類信息，2 類在第一對特征上的分布基本無重疊；并且ICECCA 還引入了Universum 學(xué)習(xí)，相比于CECCA，ICECCA得到的結(jié)果類內(nèi)更緊湊，類間距更大，這說明ICECCA 所獲取的組合特征更優(yōu)。

3.2 在多特征數(shù)據(jù)數(shù)據(jù)集上的性能比較

在多特征數(shù)據(jù)集方面，采用從UCI 機(jī)器學(xué)習(xí)存儲庫中選擇的多特征數(shù)據(jù)集(multiple features data set，MFD)[15]，該數(shù)據(jù)集由“0”-“9”的手寫數(shù)字組成，每類200 個樣本，共2 000 個。MFD 具有6 個特征，分別是輪廓相關(guān)性、字符形狀的傅里葉系數(shù)、Karhunen-Love 系數(shù)、2×3 窗口中的像素平均、Zernike 矩特征以及形態(tài)學(xué)特征。這些特征的名稱和維度分別為（fac，216），（fou，76），（kar，64），（pix，240），（zer，47）和（mor，6）。對于此數(shù)據(jù)集通常從6 個特征中隨機(jī)選擇2 組作為X視角和Y視角，因此共有15 種雙視角組合。

根據(jù)表1 的結(jié)果可以發(fā)現(xiàn)，與CCA 相比，ICCA 和CECCA 的優(yōu)越性分別表明了Universum數(shù)據(jù)的先驗(yàn)信息以及增強(qiáng)組合特征的判別信息對于提取多視角數(shù)據(jù)的特征都具有很好的意義。ICECCA 明顯超過CCA，從4%～20%不等。ICECCA在15 種組合中的10 種上勝過CECCA。準(zhǔn)確性的提高證明，同時利用Universum 數(shù)據(jù)編碼的先驗(yàn)信息以及增強(qiáng)組合特征的判別信息對于多視角特征提取更有意義。ICECCA 的性能并不總是優(yōu)于CECCA，原因可能是有些Universum 樣本提供的先驗(yàn)信息不足，算法的性能受Universum 數(shù)據(jù)和目標(biāo)樣本的組合影響。

表1 在多特征數(shù)據(jù)集上識別準(zhǔn)確率

3.3 在UCI 數(shù)據(jù)集上的性能比較

在本節(jié)中，從UCI 機(jī)器學(xué)習(xí)存儲庫中選擇5 種常見的多類別單視角數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)。有關(guān)使用的數(shù)據(jù)集的詳細(xì)信息見表2。

表2 UCI 數(shù)據(jù)集

由于每個數(shù)據(jù)集都是單視角，因此將它們本身視為X視角的數(shù)據(jù)，而對于Y視角的數(shù)據(jù)，根據(jù)文獻(xiàn)[14] 中所述的方法來生成。例如對于Iris 鳶尾花數(shù)據(jù)集，它具有3 個類別xi,i=1,2,3。如果xi屬于第1 類，則Y視角中的對應(yīng)樣本表示為yi=(1,0,0)T；如果xi屬于第2 類，則yi=(0,1,0)T；如果xi屬 于類別3，則yi=(0,0,3)T。其他數(shù)據(jù)集的Y視角根據(jù)其類別數(shù)進(jìn)行相應(yīng)的設(shè)置。

顯然，不同的Universum 數(shù)據(jù)包含不同程度的域信息。假設(shè)目標(biāo)數(shù)據(jù)集具有n個類別，采用2 種不同的方法來生成Universum 數(shù)據(jù)：1）將前n-1 類作為目標(biāo)樣本，將最后一個類作為Universum數(shù)據(jù)；2）選擇與上述相同的目標(biāo)樣本，并根據(jù)高斯噪聲生成具有與目標(biāo)樣本相同的數(shù)量和維度的的Universum 樣本, 例如Iris 數(shù)據(jù)集的高斯噪聲Universum 數(shù)據(jù)，如圖5 所示。

圖5 通過高斯噪聲生成的Universum 數(shù)據(jù)

對于這些數(shù)據(jù)集，仍然先采用CCA、ICCA、CECCA 和ICECCA 來 提 取 特 征， 接 著 使用SVM 根據(jù)提取的特征進(jìn)行分類。參數(shù) η=2-20，對于每個目標(biāo)樣本，隨機(jī)選擇每個類的一半作為訓(xùn)練，其余部分進(jìn)行測試，并重復(fù)進(jìn)行10 次實(shí)驗(yàn)。平均結(jié)果如表3 所示。其中ICCA_A 和ICCA_B分別表示將最后一類作為Universum 數(shù)據(jù)以及使用高斯 噪 聲 作 為Universum 數(shù) 據(jù)，ICECCA_A 和ICECCA_B 同理。

表3 在UCI 數(shù)據(jù)集上識別準(zhǔn)確率

從表3 結(jié)果可以發(fā)現(xiàn)：1）幾乎所有情況下，ICECCA 的 分 類 準(zhǔn) 確 率 都 高 于CCA、ICCA 和CECCA，達(dá)到了最佳性能（以粗體顯示）。結(jié)果驗(yàn)證了Universum 學(xué)習(xí)與樣本判別信息的結(jié)合在降維中的有效性，Universum 學(xué)習(xí)提高了低維空間中不同類別樣本的可分離性；2）ICCA_A 與ICCA_B、ICECCA_A 與ICECCA_B 識別結(jié)果的差異表明，并非所有種類的Universum 數(shù)據(jù)都包含針對即將完成的任務(wù)的有意義的信息，而同種類不同數(shù)量的Universum 樣本也會對分類結(jié)果產(chǎn)生影響。因此，當(dāng)Universum 與目標(biāo)樣本無關(guān)或Universum 樣本數(shù)量過少，也即Universum 數(shù)據(jù)包含的先驗(yàn)信息過少時，基于Universum 的學(xué)習(xí)效果會很差。

4 結(jié)論

本文通過將ICCA 的先驗(yàn)知識與CECCA 的優(yōu)化組合特征結(jié)合在一起，提出了一種改進(jìn)的增強(qiáng)組合特征判別性的典型相關(guān)分析ICECCA，為了驗(yàn)證所提出方法的有效性，對包括人工、多特征數(shù)據(jù)集以及經(jīng)典的UCI 數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)，并采用現(xiàn)有的多視角特征提取算法進(jìn)行了對比。相關(guān)實(shí)驗(yàn)驗(yàn)證了本文提出的算法的有效性.

本文為了減少時間開銷使用Universum 學(xué)習(xí)來進(jìn)行信息增強(qiáng)，但目前已經(jīng)有很多其他方法可以生成額外的無標(biāo)簽樣本，如對抗網(wǎng)絡(luò)等，未來可以采用對抗網(wǎng)絡(luò)等方式更好地增強(qiáng)樣本信息。

目前深度學(xué)習(xí)是一個非常熱門的研究領(lǐng)域，提出了許多與深度學(xué)習(xí)相關(guān)的特征提取算法，如深度典型相關(guān)分析(Deep CCA)[16]，相關(guān)實(shí)驗(yàn)已經(jīng)驗(yàn)證了Deep CCA 可以很好地解決多視角特征提取問題，受此啟發(fā)，未來將嘗試把Universum 學(xué)習(xí)與Deep CCA 相關(guān)算法相結(jié)合，更好地解決多視角特征提取問題。