Support Vector Machine Framework for Multi-View Metric Learning

Riikka Huusari (1, 2) , Hachem Kadri (1, 2) , Cécile Capponi (1, 2)

1 LIS - Laboratoire d'Informatique et des Systèmes (LIS) (Marseille, Toulon)
2 QARMA - éQuipe d'AppRentissage de MArseille

In this article we tackle the supervised multi-view learning problem with kernel methods and metric learning. In this context we consider a recently developed multi-view metric learning (MVML) framework, and propose a SVM-based algorithm that jointly learns the classifier and metrics between views. These metrics permit taking into account the multi-view characteristics of the learning problem. Experiments on real data were performed to evaluate the performance of the proposed algorithm.

Cet article s’intéresse a l'apprentissage multi-vue par des méthodes à noyaux et d'apprentissage de métriques. Dans ce cadre, nous considérons MVML (multi-view metric learning), une méthode récemment développée, et nous proposons un algorithme basé sur les séparateurs à vaste marge (SVM) qui apprend conjointement un classifieur et des métriques entre les vues permettant ainsi de tenir compte des caractéristiques multi-vues du problème d'apprentissage. Des expérimentations sur données réelles ont été réalisées afin d'évaluer les performances de l'algorithme proposé.

Mots clés: Multi-view learning; Metric learning; Kernel methods

Mots clés: Apprentissage de métriques; Multivues; SVM; Méthodes à noyaux

Domaines: Apprentissage [cs.LG]

Riikka Huusari, Hachem Kadri, Cécile Capponi. Support Vector Machine Framework for Multi-View Metric Learning. 50e Journées de Statistique de la Société Française de Statistique, May 2018, Paris, France. ⟨hal-02070699⟩