基于L2,0范数约束和冗余度学习的无监督特征选择算法

摘要：

为了更好地消除特征间的冗余,结合稀疏学习,提出一种融合特征冗余度学习的稀疏无监督特征选择算法.首先,该算法利用 L1 范数度量投影数据点与聚类标签之间的损失,引入辅助变量将聚类标签的编码矩阵的正交性与非负性分离,确保编码矩阵是非负的且更接近理想的标签;其次,利用余弦相似度方法构造特征的冗余度矩阵,并将其作为正则项约束来学习投影矩阵;最后,通过 L2,0 范数约束投影矩阵,可以恰好得到它的 k 个非零行,进而选出原始数据的k个特征.由此得到基于L2,0 范数约束和特征冗余度学习的稀疏无监督特征选择模型.所提算法在 12 个公开数据集上与 10 个相关算法进行比较,实验结果表明该算法在多数情况下可以选出更具判别性的特征.

关键词：特征选择、稀疏学习、特征冗余、矩阵分解、无监督学习

所属期刊栏目：55

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金;陕西省重点研发计划项目;陕西省自然科学基金

在线出版日期：2023-08-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：81-88