- (10-29)·异质信息网络表征学习综述
- (10-29)·图神经网络前沿进展与应用
- (10-29)·面向GoldenX软硬协同优化的异构加速列式存储引擎研究
- (10-29)·基于度量学习的多空间推荐系统
- (10-29)·基于国密SM2的高效范围证明协议
基于稀疏系数矩阵重构的多标记特征选择
2022-10-29 20:24:21 来源: 点击:
文档介绍
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.
下载地址
分享到: