English(EN) No Data Wasted: A Semi-supervised Generative Model for Incomplete Multi-view Data Integration with Missing Labels

新的半监督生成模型解决了标签缺失的不完整多视图数据问题

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-03 04:00

研究人员开发了一种新颖的半监督生成模型，旨在应对不完整多视图数据集成所带来的挑战，尤其是在标签稀缺的情况下。该模型通过最大化无标签样本的似然性来统一使用有标签和无标签数据，以学习一个与应用于有标签数据的“信息瓶颈”原则相一致的共享潜在空间。该方法还结合了特定模态的信息和跨视图互信息最大化，以改进跨不同数据视图的共享信息的提取，从而在复杂数据集上提高预测和生成性能。 AI

影响该模型为处理具有缺失视图和有限标签数据的复杂数据集提供了一种新方法，有望在各种机器学习应用中提高性能。

排序理由该集群包含一篇详细介绍新数据集成模型的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 23 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍新数据集成模型的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Yiyang Shen, Weiran Wang · 2026-09-03 04:00

数据不浪费：一种用于不完整多视图数据集成和缺失标签的半监督生成模型

arXiv:2508.11180v2 Announce Type: replace-cross Abstract: Multi-view learning is widely applied to real-life datasets, but it often suffers from both missing views and missing labels. Prior probabilistic approaches addressed the missing view problem by using a product-of-experts …

本文如何被排名

报道来源 [1]

数据不浪费：一种用于不完整多视图数据集成和缺失标签的半监督生成模型

相关实体

相关话题