-
题名鲁棒联合稀疏不相关回归
- 1
-
-
作者
李宗然
陈秀宏
陆赟
邵政毅
-
机构
江南大学人工智能与计算机学院
江苏省媒体设计与软件技术重点实验室
-
出处
《计算机科学》
CSCD
北大核心
2022年第2期191-197,共7页
-
文摘
常见的无监督特征选择方法考虑的只是选择具有判别性的特征,而忽略了特征的冗余性,并且没有考虑到小类问题,故而影响到分类性能。基于此背景,提出鲁棒不相关回归算法。首先,对不相关回归进行研究,使用不相关正交约束,以便找出不相关但具有判别性的特征,不相关约束使得数据结构保持在Stiefel流形中,使模型具有封闭解,避免了传统的岭回归模型引发的可能的平凡解。其次,损失函数与正则化项使用L_(2,1)范数,保证模型的鲁棒性,得到具有稀疏性的投影矩阵;同时将小类问题考虑进去,使投影矩阵数量不受类别数的限制,得到足够多的投影矩阵,从而提升模型的分类性能。理论分析和多个数据集上的实验结果表明,所提出的方法比其他特征选择方法具有更好的性能。
-
关键词
特征选择
鲁棒
联合
不相关
回归
小类问题
-
Keywords
Feature selection
Robust
Joint
Uncorrelated
Regression
Small-class
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
