Analisi della correlazione canonica con dati non appaiati

Abstract degli autori

L’analisi della correlazione canonica (CCA) è un metodo fondamentale per apprendere uno spazio condiviso da più viste. La sua rigorosa dipendenza da dati appaiati costituisce però un limite significativo, perché spesso è difficile ottenere questi dati o non sono affatto disponibili. In questo articolo presentiamo Unpaired CCA (UCCA), un nuovo metodo che apprende proiezioni lineari per massimizzare la correlazione tra gli elementi della vera corrispondenza sottostante, senza accedere ad alcun campione appaiato durante l’addestramento. Per prima cosa, stabiliamo risultati teorici che collegano il problema di assegnamento quadratico (QAP) alla CCA. Sfruttando questi risultati, ricaviamo un metodo pratico per massimizzare la correlazione usando esclusivamente dati non appaiati. Per quanto ne sappiamo, UCCA è il primo approccio che apprende proiezioni con la massima correlazione in un contesto rigorosamente privo di dati appaiati. Valutiamo UCCA su dataset multimodali reali e dimostriamo che supera nettamente i recenti metodi di riferimento per l’allineamento di dati non appaiati nel ricostruire la vera correlazione sottostante. Questo lavoro colma una lacuna cruciale tra il tradizionale apprendimento statistico da più viste e il crescente campo dell’apprendimento da dati non appaiati.