特征自表达和图正则化的鲁棒无监督特征选择

• 作者: 陈彤 陈秀宏
• 来源期刊: 智能系统学报
• 学科: 工学
• 关键词: 特征选择 鲁棒 图拉普拉斯 特征自表达 低秩约束 无监督 L2 1范数 降维
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 机器学习|Machine Learning
• 页码范围: 286-294
• 页数: 9页
• 分类号: TP181
• 语种: 中文
• DOI: 10.11992/tis.202012043

摘要

为了在揭示数据全局结构的同时保留其局部结构,本文将特征自表达和图正则化统一到同一框架中,给出了一种新的无监督特征选择(unsupervised feature selection,UFS)模型与方法.模型使用特征自表达,用其余特征线性表示每一个特征,以保持特征的局部结构;用基于L2,1范数的图正则化项,在保留数据的局部几何结构的同时可以降低噪声数据对特征选择的影响;除此之外,在权重矩阵上施加了低秩约束,保留数据的全局结构.在6个不同的公开数据集上的实验表明,所给算法明显优于其他5个对比算法,表明了所提出的UFS框架的有效性.