有序判别典型相关分析

• 作者: 周航星 陈松灿
• 来源期刊: 软件学报
• 学科: 工学
• 关键词: 典型相关分析 有序回归 分类 信息融合 判别分析
• 年，卷（期）: 2014,（9）
• 所属期刊栏目: 大数据分析专刊
• 页码范围: 2018-2025
• 页数: 8页
• 分类号: TP181
• 字数: 5447字
• 语种: 中文
• DOI: 10.13328/j.cnki.jos.004649

摘要

多视图学习方法通过视图间互补信息的融合,达到增强单一视图方法的鲁棒性并提升学习性能的目的。典型相关分析(canonical correlation analysis,简称CCA)是一种重要的多视图信息融合技术。其研究的是针对同一组目标两组不同观测数据间的相关性,目标是得到一组相关性最大的投影向量。但当面对标号有序的分类任务时,CCA因没有利用类信息和类间有序信息,造成了对分类性能的制约。为此,通过将有序类信息嵌入 CCA 进行扩展,发展出有序判别典型相关分析(ordinal discriminative canonical correlation analysis,简称 OR-DisCCA)。实验结果表明, OR-DisCCA的性能比相关方法更优。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈松灿	南京航空航天大学计算机科学与技术学院	120	1370	19.0	32.0
2	周航星	南京航空航天大学计算机科学与技术学院	1	13	1.0	1.0