典型文献
基于相似度矩阵学习和矩阵校正的无监督多视角特征选择
文献摘要：
多视角特征选择通过融合多个视角的信息获取具有代表性的特征子集,来提高分类、聚类等学习任务的效率.然而,描述对象的特征繁杂多样且相互关联,单一地从原始特征中选择特征子空间可以简单地解决维度问题,但无法有效获取数据内部存在的结构信息和特征关联信息,且固定使用相似度矩阵和投影矩阵易损失视角间的相关性.针对以上问题,提出了基于相似度矩阵学习和矩阵校正的无监督多视角特征选择(SMLMA)算法.该算法首先构造所有视角的相似度矩阵,通过流形学习得到一致相似度矩阵以及投影矩阵,最大程度地发现和保留多视角数据的结构信息;其次采用矩阵校正的方法,最大化相似度矩阵和核矩阵之间的相关性,合理利用不同视角之间的关联性,减少特征子集的信息冗余;最后,采用Armijo搜索方法快速得到收敛结果.在4个实验数据集Caltech-7,NUS-WIDE-OBJ,Toy Animal和MSRC-v1上的实验结果表明,相比单视角特征选择和部分多视角特征选择方法,所提算法在聚类任务上的准确率平均提高了约7.54％.其较好地保留了数据的结构信息和多视角之间特征的相关性,捕获了更多高质量的特征.
文献关键词：
多视角;无监督;特征选择;相似度矩阵;矩阵校正
中图分类号：
作者姓名：
李斌;万源
作者机构：
武汉理工大学理学院 武汉430070
文献出处：
引用格式：
[1]李斌;万源-.基于相似度矩阵学习和矩阵校正的无监督多视角特征选择)[J].计算机科学,2022(08):86-96
A类：
矩阵校正,SMLMA
B类：
相似度矩阵,无监督,多视角特征,特征选择,信息获取,特征子集,学习任务,繁杂,相互关联,特征子空间,获取数据,结构信息,特征关联,联信,矩阵和,投影矩阵,易损,过流,流形学习,习得,多视角数据,核矩阵,不同视角,信息冗余,Armijo,搜索方法,Caltech,NUS,WIDE,OBJ,Toy,Animal,MSRC,v1,单视,选择方法
AB值：
0.381266
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。
