典型文献
基于稀疏系数矩阵重构的多标记特征选择
文献摘要：
处理复杂的多标记数据对于特征选择而言是一项挑战性任务.然而,现存的多标记特征选择方法存在三个问题未解决.首先,现有的多标记特征选择方法利用样例层流形正则化项保持样例的相似性结构或借助标签关联来指导特征选择,但两者对于特征选择的指导存在互补关系.其次,早期方法基于样例相似性所构造的近邻矩阵来探索标签关联,却忽略了成对标签本身的关联性.最后,早期方法整合多个未知变量,导致目标函数的求解变得困难.为解决上述问题,本文基于最小二乘回归模型构建经验损失函数,然后在目标函数中引入标签正则化项探索标签之间的关联,同时利用特征矩阵与重构稀疏系数矩阵的乘积表示预测标签并保留数据本身的局部几何结构.上述各项被整合在一个联合学习框架内.针对该学习框架,一套证明可收敛的优化方案被设计.在13个真实的多标记基准数据集上进行实验,实验结果验证了所提方法的有效性.
文献关键词：
特征选择;多标记学习;流形学习;稀疏化学习;分类
中图分类号：
作者姓名：
李永豪;胡亮;高万夫
作者机构：
吉林大学计算机科学与技术学院 长春 130012;吉林大学符号计算与知识工程教育部重点实验室 长春 130012
文献出处：
引用格式：
[1]李永豪;胡亮;高万夫-.基于稀疏系数矩阵重构的多标记特征选择)[J].计算机学报,2022(09):1827-1841
A类：
稀疏系数矩阵,稀疏化学习
B类：
矩阵重构,多标记特征选择,多标记数据,挑战性任务,选择方法,法利,样例,层流,流形正则化,互补关系,近邻,解变,最小二乘回归模型,损失函数,特征矩阵,乘积,几何结构,联合学习,可收,基准数据集,多标记学习,流形学习
AB值：
0.266319
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。
