非监督子空间学习中关联度量多维尺度分析
多维尺度分析已经在维度约减和数据挖掘领域得到了广泛应用.MDS的主要缺点是其定义在训练数据上,对于新的测试样本无法直接获得映射结果.另外,MDS基于欧氏距离度量,不适合获取相似数据中的非线性流形结构.将MDS扩展到关联度量空间,称为关联度量多维尺度分析(CMDS).与传统MDS在训练数据中完成映射,进而缩小空间范围相比,CMDS能够直接获得测试样本映射结果.此外,CMDS基于关联度量,能够有效学习相似数据中的非线性流形结构.理论分析表明,CMDS可以利用核方法扩展到新特征空间,解决非线性问题.实验结果表明,CMDS及其核形式KG-CMDS性能优于常用传统降维方法.
非监督子空间、关联度量、多维尺度分析
16
TP391.4(计算技术、计算机技术)
国家自然科学基金项目1010200720100098
2012-03-30(万方平台首次上网日期,不代表论文的发表时间)
共7页
2152-2158