流形学习算法中邻域大小参数的递增式选取

摘要：

流形学习算法能否成功应用依赖于邻域大小参数的选取是否合适,但该参数在实际中通常难以高效选取.为此,提出一种邻域大小参数的递增式选取方法.按照流形的局部欧氏性,邻域图上的所有邻域都呈线性或近似线性,邻域大小参数若合适,此时所有邻域的线性度量可聚成一类;而邻域大小参数若不合适,邻域图上就会有部分邻域不再线性,其线性度量也不能聚成一类.对邻域图上的每一个邻域执行加权主成分分析,用重建误差对其线性程度进行度量,并计算相应的贝叶斯信息准则,以探测其聚类个数,从而实现对邻域大小参数的递增式选取.实验结果表明,该方法无需任何额外参数,具有较高的运行效率.

关键词：流形学习、邻域大小、局部欧氏性、加权主成分分析、重建误差、贝叶斯信息准则

所属期刊栏目：40

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金资助项目61202285;河南省基础与前沿技术研究基金资助项目112300410201;河南省教育厅科学技术研究重点基础研究计划基金资助项目13B520899

在线出版日期：2014-09-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：194-200