邻域嵌入的张量学习

• 作者: 李凡长 路梅
• 来源期刊: 计算机科学与探索
• 学科: 工学
• 关键词: 判别邻域嵌入(DNE) 张量子空间分析(TSA) 维数约简 判别分析 张量学习
• 年，卷（期）: 2017,（7）
• 所属期刊栏目: 人工智能与模式识别
• 页码范围: 1102-1113
• 页数: 12页
• 分类号: TP181
• 字数: 7685字
• 语种: 中文
• DOI: 10.3778/j.issn.1673-9418.1605038

摘要

传统的机器学习算法把数据表示成向量的形式进行处理,而现实世界许多应用中的数据都是以张量形式存在的,如图像、视频数据等,如果将这些本质上非向量形式的数据强制转换成向量表示,不仅会产生维数灾难和和小样本问题,而且会破坏数据本身的内部空间排列结构,不利于发现数据的好的低维表示.判别邻域嵌入(discriminant neighborhood embedding,DNE)是比较流行的面向向量的判别分析方法,在改进DNE算法的基础上,提出了面向张量数据的局部一致保持的邻域嵌入张量判别学习(neighborhood-embedded tensor learning,NTL)算法.NTL算法不仅克服了DNE面向向量的缺点,而且弥补了DNE方法偏重数据的邻域点而忽略数据的非邻域点影响的不足,通过精心设计目标函数(嵌入3个图:同类结点的邻接图、不同类结点的邻接图、其他结点的关联图),使投影空间的同类结点更加紧凑,不同类结点更加疏远,从而增强了算法的判别能力.3个公开数据库(ORL、PIE和COIL20)上的实验验证了NTL拥有更高的识别率,同时也拥有更高的算法效率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李凡长	苏州大学计算机学院	136	774	15.0	18.0
2	路梅	苏州大学计算机学院	2	4	1.0	2.0