基于低秩稀疏表达的弹性最小二乘回归学习

摘要：

为了克服重定向最小二乘回归模型容易破坏回归目标的结构的缺点,提出了一种基于低秩稀疏表达的弹性最小二乘回归学习模型LRSR-eLSR.模型以最小二乘回归为基础,不使用严格的 0-1 标签矩阵作为目标矩阵,而是引入边距约束来直接从数据中学习回归目标,可以在保持回归目标低秩结构的同时,增加回归模型的灵活性.而且,为了捕获数据的结构信息,利用了数据的低秩表示来保持数据的结构.在计算的过程中,考虑问题求解的复杂性,使用了核范数正则化代替秩函数.除此之外,模型还引入了一个带有 L2,1 范数的稀疏误差项来补偿回归误差,这有利于学习更灵活地变换.模型还对投影矩阵施加额外的正则化项,来避免过拟合问题.实验结果表明:在4 个公开的数据集上,所提模型的识别准确率优于其他方法;在 COIL-20 数据集中,识别率可达到 98%.

关键词：稀疏表达、最小二乘回归、低秩表示、灵活性、稀疏误差项

所属期刊栏目：44

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金;国家自然科学基金;广州市黄埔区国际科技合作项目

在线出版日期：2023-11-07（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：25-32