基于低秩和图拉普拉斯的属性选择算法

摘要：

针对无监督属性选择算法使用单一方法,未考虑数据间内在相关性和噪声等问题,提出一种基于属性自表达的低秩无监督属性选择算法.算法首先将稀疏正则化(l2,1-范数)引入属性自表达损失函数中实现无监督稀疏学习,其次在系数矩阵中加入低秩约束以降低噪声和离群点的影响,然后利用低秩结构和图拉普拉斯正则化使子空间学习兼顾数据的全局和局部结构,最后通过属性自表达实现无监督学习.经数据集上多次迭代验证,该算法能够快速收敛并达到全局最优,与SOGFS、PCA、LPP、RSR等四种算法相比分类准确率平均提高了16.11％、14.03％、9.92％和4.2％,并且在各数据集上互信息平均值也是最高的,说明该算法有效、高效.

关键词：属性选择、低秩约束、图拉普拉斯、子空间学习、稀疏正则化

所属期刊栏目：54

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金71371172;河南省高等学校重点科研项目18A520051;郑州航空工业管理学院青年基金2016143001

在线出版日期：2018-09-13（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：110-115,121