结合谱聚类的标记分布学习
标记分布是一种新的学习范式,现有算法大多数直接使用条件概率建立参数模型,未充分考虑样本之间的相关性,导致计算复杂度增大.基于此,引入谱聚类算法,通过样本之间相似性关系将聚类问题转化为图的全局最优划分问题,进而提出一种结合谱聚类的标记分布学习算法(label distribution learning with spectral clus-tering,SC-LDL).首先,计算样本相似度矩阵;然后,对矩阵进行拉普拉斯变换,构造特征向量空间;最后,通过K-means算法对数据进行聚类建立参数模型,预测未知样本的标记分布.与现有算法在多个数据集上的实验表明,本算法优于多个对比算法,统计假设检验进一步说明算法的有效性和优越性.
谱聚类、标记分布学习、相似度矩阵、拉普拉斯变换、K-均值、参数模型、标记分布、机器学习
14
TP181(自动化基础理论)
安徽省高校重点科研项目KJ2017A352
2019-10-18(万方平台首次上网日期,不代表论文的发表时间)
共8页
966-973