×
福建聚;孙燕峰;高俊斌;胡永利;尹宝才

Kronecker分解稳健概率张量判别分析。 （英语） Zbl 1523.62056号

信息科学。 561, 196-210 (2021).
摘要：概率线性判别分析（PLDA）作为一种生成模型，在监督学习任务中取得了良好的性能。该模型结合了个体内部和个体之间的变化，并且假设剩余的未解释数据变化遵循高斯分布。然而，高斯分布的假设使得模型对训练集中噪声和离群值的存在非常敏感。为了解决这个问题，本文通过假设噪声项的拉普拉斯先验，提出了一个鲁棒的概率线性判别分析模型。我们没有求解高维线性系统，而是在张量数据的新模型中嵌入了一个Kronecker可分解组件，大大减少了问题的规模。由于拉普拉斯分布的非共轭性使潜在变量后验概率的计算复杂化，我们使用逆伽马分布将其表示为一个层次结构，然后采用变分期望最大化（EM）算法学习模型参数。在多个公共数据库上的重建和分类实验表明，与基于LDA的最新算法相比，该模型具有优越性。

引用于1文件

MSC公司：

62H30型 分类和区分；聚类分析（统计方面）

关键词：

张量;线性鉴别分析;降维;拉普拉斯分布;变分EM算法

软件：

PRMLT公司;KPCA加LDA
PDF格式BibTeX公司 XML格式引用
\textit{F.Ju}等人，《信息科学》。561196-210（2021；Zbl 1523.62056）
全文： 内政部

参考文献：

[1] C.Bishop，模式识别和机器学习，摘自：《信息科学与统计》，2006年，美国纽约州斯普林格·Zbl 1107.68072号
[2] Chen，L.F。；廖，H。；Ko，M.T。；Lin，J.C。；Yu，G.J.，一种新的基于LDA的人脸识别系统，可解决小样本问题，模式识别。，33, 1713-1726 (2000)
[3] 戴，X。；苏，X。；张伟。；薛福珍。；李洪秋，用于图像恢复和表示的鲁棒曼哈顿非负矩阵分解，信息科学。，527, 70-87 (2020) ·Zbl 1462.62399号
[4] 杜，J。；Li，W.S。；Tan，H.L.，基于张量特征的三层医学图像融合，信息科学。，525, 93-108 (2020) ·Zbl 1460.92105号
[5] 埃夫特哈里，A。；Forouzanfar，M。；莫加达姆，H.A。；Alirezaie，J.，用于人脸识别的块式2D内核PCA/LDA，Inf.Process。莱特。，110, 761-766 (2010) ·Zbl 1234.68352号
[6] 风扇，Z。；Xu，Y。；张，D.，使用样本邻域的局部线性判别分析框架，IEEE Trans。神经网络，22119-1132（2011）
[7] 郭毅。；哈斯蒂，T。；Tibshirani，R.，规则化线性判别分析及其在微阵列中的应用，生物统计学，886-100（2007）·兹比尔1170.62382
[8] Ioffe，S.，概率线性判别分析，（欧洲计算机视觉会议（2006）），531-542
[9] A.J.Izenman，线性判别分析，《现代多元统计技术》，2013年，第237-280页。
[10] Jenatton，R。；Obozinski，G。；Bach，F.，结构化稀疏主成分分析，（国际人工智能与统计会议（2010）），366-373
[11] Jing，X.Y。；Wong，H.S。；张，D.，基于二维Fisherface方法的人脸识别，模式识别。，39, 707-710 (2006) ·Zbl 1122.68536号
[12] Ju，F。；孙，Y。；高杰。；胡，Y。；Yin，B.，通过基于L1-形式的二维概率PCA的图像离群点检测和特征提取，IEEE Trans。图像处理。，24, 4834-4846 (2015) ·Zbl 1408.94294号
[13] Ju，F。；孙，Y。；高杰。；胡，Y。；Yin，B.，beta过程先验的非参数张量字典学习，神经计算，218120-130（2016）
[14] Khan，I.，《运动中的鲁棒稀疏和稠密非刚性结构》，IEEE Trans。多媒体，20841-850（2018）
[15] 科尔达·T·G。；Bader，B.W.，张量分解与应用，SIAM Rev.，51，455-500（2009）·Zbl 1173.65029号
[16] 赖，Z。；Xu，Y。；Yang，J.等人。；Tang，J。；张丹，稀疏张量判别分析，IEEE Trans。图像处理。，22, 3904-3915 (2013) ·Zbl 1373.94218号
[17] Li，C.N。；Shao，Y.H。；Deng，N.Y.，稳健L1-形式二维线性判别分析，神经网络，65，92-104（2015）·Zbl 1394.68298号
[18] Li，C.N。；Shao，Y.H。；王，Z。；邓，N.Y.，稳健双边lp-形式二维线性判别分析，Inf.Sci。，500, 274-297 (2019) ·Zbl 1454.62186号
[19] H.Li、G.Feng、J.Dong和J.Qiu，基于L1-形式的Fisher鉴别分析在稳健掌纹识别中的应用，载于：国际数据挖掘、通信和信息技术会议，2017年，第1-5页。
[20] 李海霞。；张立波。；黄，B。；周小中，成本敏感双向线性判别分析，信息科学。，510, 283-303 (2019)
[21] 李，P。；Fu，Y。；穆罕默德，美国。；Elder，J.H。；Prince，S.，身份推断的概率模型，IEEE Trans。模式分析。机器。智力。，34, 144-157 (2011)
[22] 李，X。；胡，W。；王，H。；Zhang，Z.，使用旋转不变L1-形式的线性判别分析，神经计算，732571-2579（2010）
[23] 李，X。；沈，B。；刘，B。；Zhang，Y.，用于具有缺失标签的图像注释的保秩低秩因子分解，IEEE Trans。多媒体，201169-1178（2018）
[24] 李，Z。；Tang，J。；He，X.，图像表示的稳健结构非负矩阵分解，IEEE Trans。神经网络学习。系统。，29, 1947-1960 (2018)
[25] 李，Z。；Tang，J。；张，L。；Yang，J.，《用于社会图像检索的弱监督语义引导散列》，国际计算机杂志。愿景，128，2265-2278（2020）·Zbl 1483.68309号
[26] 刘凯。；Cheng，Y.Q。；Yang，J.Y.，基于最佳判别准则的图像识别代数特征提取，模式识别。，26, 903-911 (1993)
[27] 卢，H。；Plataniotis，K。；Venetsanopoulos，A.，MPCA：张量对象的多线性主成分分析，IEEE Trans。神经网络，19，18-39（2008）
[28] Martnez，A.M。；Kak，A.C.，PCA与LDA，IEEE Trans。模式分析。机器。智力。，23, 228-233 (2001)
[29] 努沙斯，S.A。；Kumar，G.H。；Shivakumara，P.，（2D）^2 LDA：一种有效的人脸识别方法，模式识别。，39, 1396-1400 (2006) ·Zbl 1095.68670号
[30] 普林斯。；Elder，J.，关于身份推断的概率线性判别分析，（IEEE国际计算机视觉会议（2007）），1-8
[31] 小费，M。；Bishop，C.，概率主成分分析，J.Roy。统计社会服务。B（Stat.Methodol.），61611-622（1999）·Zbl 0924.62068号
[32] 特克，M。；Pentland，A.，识别特征脸，J.Cogn。神经科学。，3, 71-86 (1991)
[33] 王，H。；卢，X。；胡，Z。；郑伟，用L1-形式进行Fisher判别分析，IEEE Trans。赛博。，44, 828-842 (2013)
[34] Wang，J。；尹，L。；魏，X。；孙毅，基于原始表面特征分布的三维人脸表情识别，（IEEE计算机视觉与模式识别国际会议（2006）），1399-1406
[35] 王振华，阮庆安，基于张量局部线性判别分析的面部表情识别，收录于：IEEE国际信号处理会议，2012年，第2卷，第1226-1229页。
[36] 谢，X。；Yan，S。；郭，J。；Huang，T.，矩阵变量因子分析及其应用，IEEE Trans。神经网络，1821-1826（2008）
[37] Yang，J.等人。；Frangi，A.F。；Yang，J.等人。；张，D。；Jin，Z.，KPCA plus LDA：用于特征提取和识别的完整核Fisher判别框架，IEEE Trans。模式分析。机器。智力。，27, 230-244 (2005)
[38] Ye，J.，矩阵的广义低阶近似，马赫。学习。，61, 167-191 (2005) ·Zbl 1087.65043号
[39] Ye，J。；Janardan，R。；李琼，二维线性判别分析，（神经信息处理系统进展（2004）），1569-1576
[40] Ye，J。；Li，Q.，通过QR分解的两阶段线性判别分析，IEEE Trans。模式分析。机器。智力。，27, 929-941 (2005)
[41] 周，Y。；Cheung，Y.M.，通过集体和个体变异建模进行概率等级一判别分析，IEEE Trans。赛博。，50, 627-639 (2020)
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。