شبكات التجميع العميقة متعددة الآراء

التكشير الفرعي متعدد الآراء يهدف إلى اكتشاف البنية الذاتية للبيانات من خلال دمج آراء متعددة تحتوي على معلومات مكملة. تبدأ معظم الطرق الحالية باستخراج أنواع متعددة من الخصائص المصنعة يدويًا، ثم تتعلم مصفوفة ترابط مشتركة لإجراء التكشير. تتلخص عيوب هذا النهج في جوانبين رئيسيين: 1) لا يتم دمج العلاقات متعددة الآراء في عملية استخراج الخصائص، و2) طريقة التعلم الشاملة (end-to-end) المستخدمة في التعلم العميق غير مناسبة للتكشير متعدد الآراء. وحتى عند استخراج الخصائص العميقة، فإن اختيار الهيكل الأساسي المناسب للتكشير على مجموعات بيانات مختلفة يعد مشكلة معقدة. لحل هذه القضايا، نقترح شبكات التكشير الفرعي العميقة متعددة الآراء (MvDSCN)، والتي تتعلم مصفوفة تمثيل ذاتي متعددة الآراء بطريقة شاملة (end-to-end). تتكون MvDSCN من شبكتين فرعيتين، وهما شبكة التنوع (Dnet) وشبكة الشمول (Unet). يتم بناء فضاء خفي باستخدام مُشفِّرات ذاتية عميقة بالتشابك الكوفي (deep convolutional autoencoders)، وتتم تعلم مصفوفة التمثيل الذاتي في هذا الفضاء الخفي باستخدام طبقة مرتبطة بالكامل (fully connected layer). تقوم Dnet بتعلم مصفوفات تمثيل ذاتي خاصة بكل رأي، بينما تقوم Unet بتعلم مصفوفة تمثيل ذاتي مشتركة لكل الآراء. لاستغلال تنوع التمثيلات متعددة الآراء، يتم تقديم معيار الاستقلال هيلبرت-شميدت (Hilbert--Schmidt independence criterion - HSIC) كمنظم للتنوع يلتقط العلاقات بين الآراء الغير خطية والمرتبة العليا. نظرًا لأن الآراء المختلفة تشترك في نفس فضاء العلامات، يتم توسيط مصفوفات التمثيل الذاتي لكل رأي مع المشتركة بواسطة تنظيم الشمول. بالإضافة إلى ذلك، توحِّد MvDSCN عدة هيكل أساسي لتعزيز أداء التكشير وتلافي الحاجة إلى اختيار النموذج. تظهر التجارب الأفضلية التي تحظى بها MvDSCN.