Analyse profonde de corrélation canonique probabiliste

Résumé

Nous proposons un cadre génératif profond pour l'apprentissage multi-vues basé sur une interprétation probabiliste de l'analyse de corrélation canonique (ACC). Le modèle combine une couche linéaire multi-vues dans l'espace latent avec des réseaux génératifs profonds comme modèles d'observation, afin de décomposer la variabilité dans des vues multiples en une représentation latente partagée qui décrit les sources sous-jacentes communes de variation et un ensemble de composantes spécifiques aux vues. Afin d'approximer la distribution postérieure de la couche latente multi-vues, une procédure d'inférence variationnelle efficace est développée sur la base de la solution de l'ACC probabiliste. Le modèle est ensuite généralisé à un nombre arbitraire de vues. Une analyse empirique confirme que le modèle multi-vues profond proposé peut découvrir des relations subtiles entre plusieurs vues et récupérer des représentations riches.