联合不相关回归和非负谱分析的无监督特征选择
在无标签高维数据普遍存在的数据挖掘和模式识别任务中,无监督特征选择是必不可少的预处理步骤.然而现有的大多数特征选择方法忽略了数据特征之间的相关性,选择出具有高冗余、低判别性的特征.本文提出一种基于联合不相关回归和非负谱分析的无监督特征选择方法(joint uncorrelated regression and nonnegat-ive spectral analysis for unsupervised feature selection),在选择不相关且具有判别性特征的同时,自适应动态确定数据之间的相似性关系,从而能获得更准确的数据结构和标签信息.而且,模型中广义不相关约束能够避免平凡解,所以此方法具有不相关回归和非负谱聚类两种特征选择方法的优点.本文还设计出一种求解模型的高效算法,并在多个数据集上进行了大量实验与分析,验证模型的优越性.
不相关回归、非负谱分析、冗余特征、局部结构学习、无监督学习、自适应图、特征选择、判别性特征
17
TP391.4(计算技术、计算机技术)
江苏省研究生科研与实践创新计划项目JNKY19_074
2022-04-28(万方平台首次上网日期,不代表论文的发表时间)
共11页
303-313