×
韩娜（Han，Na）;吴继刚;梁英毅;方小钊;Wong，Wai Keung（王伟强）;滕绍华

用于降维的低秩和稀疏嵌入。 （英语） Zbl 1434.68413号

神经网络。 108, 202-216 (2018).
摘要：本文提出了一种用于降维的鲁棒子空间学习（SL）框架，该框架从整体优化、鲁棒性和泛化三个方面将现有的SL方法进一步扩展到低秩稀疏嵌入（LRSE）框架。由于使用了低秩和稀疏约束，数据的全局子空间和局部几何结构都被重构系数矩阵捕获，同时强制数据的低维嵌入以尊重低秩性和稀疏性。这样，重构系数矩阵学习和SL联合进行，可以保证整体最优。此外，我们采用稀疏矩阵对噪声进行建模，使LRSE对不同类型的噪声具有鲁棒性。与相关方法相比，全局子空间和局部几何结构的组合为LRSE带来了更好的泛化能力，即LRSE在无监督和有监督的情况下比传统SL方法表现更好，特别是在无监督情况下，分类精度的提高是相当大的。从该框架中可以导出七种特定的SL方法，包括无监督和有监督方法，并且在不同数据集（包括损坏的数据）上的实验证明了这些方法相对于现有的成熟SL方法的优越性。此外，我们利用实验为SL提供了一些新的见解。

引用于三文件

理学硕士：

68T05年 人工智能中的学习和自适应系统

关键词：

降维;子空间学习;稳健性;整体最优
PDF格式BibTeX公司 XML格式引用
\textit{N.Han}等人，神经网络。108202--216（2018年；兹bl 1434.68413）
全文： 内政部

参考文献：

[1] 贝尔金，M。；Niyogi，P.，《用于嵌入和聚类的拉普拉斯特征映射和光谱技术》（Proc.Adv.Neural Inf.Process，Syst.，Vol.14（2001），麻省理工学院出版社：麻省理学院出版社，马萨诸塞州剑桥），585-591
[2] Bertsekas，D.，《非二次惩罚函数：凸规划》，（约束优化和拉格朗日乘子方法（1996），雅典娜科学：雅典娜科技贝尔蒙特，马萨诸塞州，美国），326-340，ch.5，第5.3节
[3] Cai，D.，He，X.F.，&Han，J.W.（2007）。半监督判别分析。在程序。国际会议计算机视觉; Cai，D.，He，X.F.，&Han，J.W.（2007）。半监督判别分析。在程序。国际会议计算机视觉
[4] Cai，D.、He，X.F.、Zhou，K.、Han，J.W.和Bo，H.J.（2007）。对位置敏感的判别分析。在程序。IEEE配置计算。视觉。模式记录。; Cai，D.、He，X.F.、Zhou，K.、Han，J.W.和Bo，H.J.（2007）。对位置敏感的判别分析。在程序。IEEE配置计算。视觉。模式记录。
[5] 坎迪斯，E。；李晓东。；Wright，J.，稳健主成分分析？，ACM杂志，58，3，1-37（2011）·Zbl 1327.62369号
[6] Chen，H.T.、Chang，H.W.和Liu，T.L.（2005）。局部判别嵌入及其变体。在程序。Int.Conf.计算。视觉。模式识别; Chen，H.T.，Chang，H.W.，&Liu，T.L.（2005）。局部判别嵌入及其变体。在程序。Int.Conf.计算。视觉。模式识别
[7] 克莱门森，L。；哈斯蒂，T。；维滕，D。；Ersboll，B.，稀疏判别分析，技术计量学，53，4，406-413（2011）
[8] 埃克斯坦，J。；Bertsekas，D.，关于最大单调算子的douglas-rachford分裂方法和近点算法，数学规划，55293-318（1992）·兹比尔0765.90073
[9] 风扇，Z.Z。；Xu，Y。；Zhang，D.，使用样本邻域的局部线性判别分析框架，IEEE神经网络汇刊，22，7，1119-1132（2011）
[10] 风扇，Z.Z。；Xu，Y。；左，W.M。；杨，J。；Tang，J.H。；Lai，Z.H.，修改的主成分分析：多相似子空间模型的集成，IEEE神经网络和学习系统事务，25，8，1538-1552（2014）
[11] Fukunnaga，K.，《统计模式识别导论》，第二版（1991年），学术出版社
[12] Han，Y.H。；Yang，Y。；Ma，Z.G。；塞贝，N。；周晓芳，基于样条回归的视频语义识别半监督特征选择，IEEE神经网络与学习系统汇刊，26，2，252-264（2014）
[13] He，X.，Cai，D.，Yan，S.，&Zhang，H.（2005）。邻域保护嵌入。在程序。国际会议计算机视觉; He，X.，Cai，D.，Yan，S.，&Zhang，H.（2005）。邻域保护嵌入。在程序。国际会议计算机视觉
[14] 何，X。；严，S。；胡，Y。；Niyogi，P。；Zhang，H.，使用拉普拉斯人脸的人脸识别，IEEE模式分析和机器智能汇刊，27，3，328-340（2005）
[15] 黄，Y。；徐，D。；Nie，F.P.，使用迹比准则的半监督降维，IEEE神经网络和学习系统汇刊，23，3，519-526（2012）
[16] Jiang，B.，Ding，C.，Luo，B.，Tang，J.，&Xie，Y.（2013）。图形主成分分析：闭式解和鲁棒性。在程序。IEEE国际协调计算。视觉。模式识别; Jiang，B.，Ding，C.，Luo，B.，Tang，J.，&Xie，Y.（2013）。图形主成分分析：闭式解和鲁棒性。在程序。IEEE国际协调计算。视觉。模式识别
[17] 姜振林。；林，Z。；Davis，L.S.，标签一致性K-SVD：学习识别的判别词典，IEEE模式分析和机器智能学报，35，11，2651-2664（2013）
[18] 姜建杰。；马，J。；陈，C。；蒋，X。；Wang，Z.，通过平滑稀疏表示实现抗噪人脸图像超分辨率，IEEE控制论汇刊（2016）
[19] Karol，G.和LeCun，Y.（2010年）。学习稀疏编码的快速近似。在程序。国际会议机器学习; Karol，G.和LeCun，Y.（2010年）。学习稀疏编码的快速近似。在程序。国际会议机器学习
[20] 赖，Z。；Wong，W.K。；Xu，Y。；赵，C。；Sun，M.，稳健张量学习的稀疏对齐，IEEE神经网络和学习系统汇刊，25,101779-1792（2014）
[21] Lee，H.、Battle，A.、Raina，R.和Ng，A.Y.（2006年）。高效的稀疏编码算法。在程序。高级神经信息处理。系统。; Lee，H.、Battle，A.、Raina，R.和Ng，A.Y.（2006年）。高效的稀疏编码算法。在程序。高级神经信息处理。系统。
[22] 李，沈；Li，L.Y。；Fu，Y.，Low-rank and sparse dictionary learning，61-85（2014），瑞士：斯普林格国际出版公司·Zbl 1323.68435号
[23] Lin，Z.，Liu，R.，&Su，Z..（2011年）。低秩表示的具有自适应惩罚的线性交替方向方法。在程序。高级神经信息处理。系统。; Lin，Z.、Liu，R.和Su，Z.（2011）。低阶表示的自适应惩罚线性化交替方向方法。在程序。高级神经信息处理。系统。
[24] 刘，G。；林，Z。；闫S.C。；Sun，J。；Yu，Y。；Ma，Y.，通过低秩表示实现子空间结构的稳健恢复，IEEE模式分析和机器智能汇刊，35，1，171-184（2013）
[25] 刘海峰。；吴振华。；蔡，D。；Huang，T.S.，用于图像表示的约束非负矩阵分解，IEEE模式分析和机器智能汇刊，34，7，1299-1311（2011）
[26] Liu，G.，&Yan，S.（2011年）。用于子空间分割和特征提取的潜在低秩表示。在程序。国际会议计算机视觉; Liu，G.，&Yan，S.（2011年）。用于子空间分割和特征提取的潜在低秩表示。在程序。国际会议计算机视觉
[27] 马丁内斯，A.M。；Kak，A.C.，PCA与LDA，IEEE模式分析与机器智能汇刊，23，2，228-233（2001）
[28] Nguyen，H.V.、Patel，V.M.、Nasrabadi，N.M.和Challappa，R.（2012）。稀疏嵌入：一个用于稀疏性促进维度缩减的框架。在程序。第11届欧洲财务会议计算。视觉。; Nguyen，H.V.、Patel，V.M.、Nasrabadi，N.M.和Challappa，R.（2012）。稀疏嵌入：一个用于稀疏性促进维度缩减的框架。在程序。第11届欧洲会议计算。视觉。
[29] Nguyen，H。；Yang，W.K。；Sheng，B.Y。；Sun，C.Y.，用于人脸识别的歧视性低阶词典学习，神经计算，173，541-551（2016）
[30] Nie，F.P.、Huang，H.、Ding，C.、Luo，D.J.和Wang，H.（2011）。非贪婪L1-Norm最大化主成分分析。在程序。国家Conf.Artif。智力。; Nie，F.P.、Huang，H.、Ding，C.、Luo，D.J.和Wang，H.（2011）。非贪婪L1-Norm最大化主成分分析。在程序。国家Conf.Artif。智力。
[31] 聂福平。；徐，D。；Tsang，I.H。；Zhang，C.S.，《柔性流形嵌入：半监督和非监督降维框架》，IEEE图像处理汇刊，1921-1931（2010）·Zbl 1371.94276号
[32] Nie，F.P.、Yuan，J.J.和Huang，H.（2014）。最优均值稳健主成分分析。在程序。第31届国际会议马赫数。学习。; 聂F.P.、袁J.J.和黄H.（2014）。最优均值稳健主成分分析。在程序。第31届国际会议机械。学习。
[33] 乔·L·S。；陈S.C。；Tan，X.Y.，稀疏保持投影及其在人脸识别中的应用，模式识别，43，331-341（2010）·Zbl 1186.68421号
[34] 乔，Z。；周，L。；Huang，J.Z.，稀疏线性判别分析在高维低样本数据中的应用，IAENG国际应用数学杂志，39，1，48-60（2009）·Zbl 1229.62086号
[35] Roweis，S。；Saul，L.，通过局部线性嵌入降低非线性维数，《科学》，290，5500，2323-2326（2000）
[36] Shao先生。；套件，D。；Fu，Y.，通过低秩约束的广义转移子空间学习，国际计算机视觉杂志，109，74-93（2014）·Zbl 1328.68250号
[37] Srivastava，G.、Shao，M.和Fun，Y.（2013）。用于半监督人脸分类的低秩嵌入。在程序。IEEE自动人脸和手势识别（FG）国际会议和研讨会; Srivastava，G.、Shao，M.和Fun，Y.（2013）。用于半监督人脸分类的低秩嵌入。在程序。IEEE自动人脸和手势识别（FG）国际会议和研讨会
[38] Turk，M.和Pentland，A.（1991年）。使用特征脸的人脸识别。在程序。IEEE国际协调计算。视觉。模式识别。; Turk，M.和Pentland，A.（1991年）。使用特征脸的人脸识别。在程序。IEEE国际协调计算。视觉。模式识别。
[39] Vu，T.H。；Monga，V.，用于图像分类的快速低阶共享字典学习，IEEE Transactions on image Processing，16，11，5160-5175（2017）·Zbl 1409.94599号
[40] Xu，Y。；方X.Z。；Li，X.L。；杨，J。；你，J。；Liu，H.，人脸识别中的数据不确定性，IEEE控制论汇刊，44，10，1950-1961（2014）
[41] 严，S。；徐，D。；张，B。；张，H。；杨琼。；Lin，S.，图嵌入与扩展：降维的一般框架，IEEE模式分析与机器智能汇刊，29，1，40-51（2007）
[42] Ye，J.P。；Janardan，R。；李强。；Park，H.，通过广义不相关线性判别分析进行特征约简，IEEE知识与数据工程汇刊，18，10，1312-1322（2006）
[43] Ye，J.P.和Xiong，T.（2006年）。零空间与正交线性判别分析。在程序。第23届国际会议机械。学习。; Ye，J.P.，&Xiong，T.（2006）。零空间与正交线性判别分析。在程序。第23届国际会议机械。学习。
[44] 张，L。；陈，S。；乔，L.，稀疏约束下降维的图形优化，模式识别，45，3，1205-1210（2012）·Zbl 1227.68097号
[45] Zhang，T.Z.，Ghanem，B.，Liu，S.，Xu，C.S.，&Ahuja，N.（2013）。低秩稀疏编码用于图像分类。在程序。国际会议计算机视觉; Zhang，T.Z.，Ghanem，B.，Liu，S.，Xu，C.S.，&Ahuja，N.（2013）。低秩稀疏编码用于图像分类。在程序。国际会议计算机视觉
[46] 张，L。；乔·L。；Chen，S.，图优化局部保持投影，模式识别，43，6，1993-2002（2010）·Zbl 1191.68611号
[47] Zhang，T.H.，Tao，D.C.和Yang，J.（2008）。区分性位置对齐。在程序。第11届欧洲财务会议计算。视觉。; Zhang，T.H.，Tao，D.C.和Yang，J.（2008）。区分性位置对齐。在程序。第11届欧洲会议计算。视觉。
[48] 周，H。；哈斯蒂，T。；Tibshirani，R.，《稀疏主成分分析》，《计算与图形统计杂志》，15，2，265-286（2006）
[49] 庄L.S.、高H.Y.、林Z.C.、马Y.、张X.和余N.H.（2012）。用于半监督学习的非负低秩稀疏图。在程序。IEEE国际协调计算。视觉。模式识别; 庄L.S.、高H.Y.、林Z.C.、马Y.、张X.和余N.H.（2012）。用于半监督学习的非负低秩稀疏图。在程序。IEEE国际协调计算。视觉。模式识别
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。