基于图结构优化的自适应多度量非监督特征选择方法

• 作者: 林筠超 万源
• 来源期刊: 计算机应用
• 关键词: 自适应多度量 图结构优化 子空间学习 稀疏正则化约束 非监督特征选择
• 年，卷（期）: 2021,（5）
• 所属期刊栏目: 人工智能|Artificial intelligence
• 页码范围: 1282-1289
• 页数: 8页
• 分类号: TP391.4
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2020071099

摘要

非监督特征选择是机器学习领域的热点研究问题,对于高维数据的降维和分类都极为重要.数据点之间的相似性可以用多个不同的标准来衡量,这使得不同的数据点之间相似性度量标准难以一致;并且现有方法多数通过近邻分配得到相似矩阵,因此其连通分量数通常不够理想.针对这两个问题,将相似矩阵看作变量而非预先对其进行设定,提出了一种基于图结构优化的自适应多度量非监督特征选择(SAM-SGO)方法.该方法将不同的度量函数自适应地融合成一种统一的度量,从而对多种度量方法进行综合,自适应地获得数据的相似矩阵,并且更准确地捕获数据点之间的关系.为获得理想的图结构,通过对相似矩阵的秩进行约束,在优化图局部结构的同时简化了计算.此外,将基于图的降维问题合并到所提出的自适应多度量问题中,并引入稀疏l 2,0正则化约束以获得用于特征选择的稀疏投影.在多个标准数据集上的实验验证了SAM-SGO的有效性,相比较于近年所提出的基于局部学习聚类的特征选择和内核学习(LLCFS)、依赖指导的非监督特征选择(DGUFS)和结构化最优图特征选择(SOGFS)方法,该方法的聚类正确率平均提高了约3.6个百分点.