多边匹配间隙下的多重表示对比
💡
原文英文，约300词，阅读约需2分钟。
📝
内容提要
机器学习中，学习多个视图的复杂对象的有意义表示是核心任务。本文提出了多边匹配间隙（M3G），利用多边最优传输（MM-OT）理论工具同时结合所有视图的损失。实验结果显示，M3G 在自监督和多模态任务中比成对损失的多视图扩展具有更好的性能。
🎯
关键要点
-
机器学习中，学习多个视图的复杂对象的有意义表示是核心任务。
-
现有方法使用原本为成对视图设计的损失，并将其扩展到多个视图。
-
本文提出了多边匹配间隙（M3G），利用多边最优传输（MM-OT）理论工具结合所有视图的损失。
-
M3G损失对比了真实的k视图与最佳多匹配的成本。
-
尽管MM-OT问题的复杂度较高，但实验表明适当的Sinkhorn算法可以扩展到3至6个视图。
-
实验结果显示，M3G在自监督和多模态任务中优于成对损失的多视图扩展。
➡️
