典型文献
联合不相关回归和非负谱分析的无监督特征选择
文献摘要：
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.
文献关键词：
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
中图分类号：
作者姓名：
朱星宇;陈秀宏
作者机构：
江南大学 人工智能与计算机学院,江苏 无锡 214122;江南大学 江苏省媒体设计与软件技术重点实验室,江苏 无锡 214122
文献出处：
引用格式：
[1]朱星宇;陈秀宏-.联合不相关回归和非负谱分析的无监督特征选择)[J].智能系统学报,2022(02):303-313
A类：
非负谱分析,nonnegat
B类：
不相关回归,无监督特征选择,无标签,高维数据,模式识别,选择方法,数据特征,joint,uncorrelated,regression,ive,spectral,analysis,unsupervised,feature,selection,判别性特征,数据结构,标签信息,不相关约束,平凡,谱聚类,解模,高效算法,验证模型,冗余特征,局部结构学习,无监督学习,自适应图
AB值：
0.320323
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
