基于成对约束半监督学习的数据相关核优化方法

摘要：

核函数及其参数的选择决定着核方法的性能.本文基于半监督学习思想,通过构建一个目标函数,利用无标签数据和成对约束信息来优化核函数,使得核函数尽可能适应数据集,从而改善核函数性能.为验证方法的有效性,将其应用于核主成分分析(KPCA)的核函数优化中,在人工数据和UCI数据集上对KPCA提取特征的分类和聚类性能进行评估,实验结果说明提出方法改进了分类和聚类性能.

关键词：成对约束、数据相关核、半监督学习、核主成分分析

所属期刊栏目：24

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金60902069;广东省自然科学基金9151806001000025

在线出版日期：2012-03-16（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：685-691