×
邓浩；马超；沈丽君；杨传武

基于稀疏表示的多重一维嵌入上使用自学习插值的半监督学习。 （英语） Zbl 1410.68314号

国际J.Wavelets多分辨率。信息处理。 17，第3号，文章ID 1950013，第16页（2019）.
摘要：本文提出了一种新的基于稀疏表示（SR）和多重一维嵌入自适应插值（M1DEI）的半监督分类方法。M1DEI的主要思想是将数据嵌入到多个一维流形中，以满足连通样本具有最短距离。通过这种方式，将高维数据分类问题转化为1D分类问题。通过在多个一维流形上交替插值和平均，数据的标记样本集可以逐渐扩大。显然，适当的度量有助于更准确地嵌入，并进一步帮助提高分类性能。我们开发了一种基于SR的度量，它比普通的欧几里德距离更准确地测量样本之间的亲和力。在多个数据库上的实验结果表明了改进的有效性。

引用于2文件

MSC公司：

68T05型 人工智能中的学习和自适应系统
62H30型 分类和区分；聚类分析（统计方面）

关键词：

半监督学习；一维嵌入；自导插值方案；稀疏表示

软件：

协和式飞机
PDF格式BibTeX公司 XML格式引用
\textit{H.Deng}等人，《国际小波多分辨率》。信息处理。17，第3号，文章ID 1950013，16 p.（2019；Zbl 1410.68314）
全文： DOI程序

参考文献：

[1] Applegate，D.L.、Bixby，R.E.、Chvtal，V.、Cook，W.J.和Chvatal，V.，《旅行推销员问题：计算研究》（普林斯顿大学出版社，2007年）。
[2] Belkin，M.、Niyogi，P.和Sindhwani，V.，《流形正则化：从标记和未标记示例学习的几何框架》，J.Mach。学习。第7（1）号决议（2006）2399-2434·Zbl 1222.68144号
[3] Bertalmio，M.、Sapiro，G.、Caselles，V.和Ballester，C.，《图像修复》，Siggraph4（9）（2000）417-424。
[4] Breiman，L.，《随机森林》，马赫。学习。45（1）（2001）5-32·Zbl 1007.68152号
[5] Cai，S.，Zhang，L.，Zuo，W.和Feng，X.，《基于概率协作表示的模式分类方法》，收录于Proc。IEEE Conf.Computer Vision and Pattern Recognition（CVPR’16），美国拉斯维加斯，6月27-30日（IEEE，2016），第2950-2959页。
[6] Chicco，D.、Sadowski，P.和Baldi，P.，《用于基因本体注释预测的深度自动编码器神经网络》，收录于Proc。ACM Conf.生物信息学、计算生物学和健康信息学（BCB’14），美国纽波特海滩，9月20日至23日（ACM，2014），第533-540页。
[7] Cortes，C.和Vapnik，V.，支持向量网络，马赫。学习。20（3）（1995）273-297·Zbl 0831.68098号
[8] Freund，Y.和Schapire，R.E.，《在线学习的决策理论概括及其在助推中的应用》，J.Compute。系统。《科学》第55（1）（1997）119-139页·兹伯利0880.68103
[9] Georghiades，A.S.、Belhumeur，P.N.和Kriegman，D.J.，《从少到多：可变光照和姿势下人脸识别的照明锥模型》，IEEE Trans。模式分析。机器。《情报》23（6）（2002）643-660。
[10] Hsu，C.W.和Lin，C.J.，多类支持向量机方法的比较，IEEE Trans。神经系统。Netw.13（2）（2002）415-425。
[11] Lee，H.、Battle，A.、Raina，R.和Ng，A.Y.，《高效稀疏编码算法》，收录于Proc。《神经信息处理系统国际会议》（NIPS'06），加拿大温哥华，12月4-7日（麻省理工学院出版社，2006），第801-808页。
[12] Li，H.，Wei，Y.，Li，L.和Chen，C.L.，基于局部神经响应的图像识别分层特征提取，IEEE Trans。Cybern.43（2）（2013）412-424。
[13] Li，H.，Wei，Y.，Li，L.和Yuan，Y.。基于衍生核的物体识别相似性学习，Neurocomput.83（6）（2012）110-120。
[14] Li，L.，Yang，C.和Xie，Q.，1D嵌入多类别分类方法，国际小波，多分辨率。《Inf.Process.14（2）》（2016）1640006·Zbl 1333.68231号
[15] Li，W.、Luo，Z.、Liu，C.、Liu、J.、Shen，L.、Xie，Q.、Han，H.和Yang，L.，fy-3c mwri数据上海岸线拐点方法的稀疏近似，IEEE Geosci。远程。Sens.Lett公司。(2018). https://doi.org/10.109/L-GRS.2018.2867738
[16] Luo，H.，Tang，Y.Y.，Wang，Y.，王，J.，Biuk-Aghai，R.P.，Pan，J.、Liu，R.和Yang，L.，使用一维嵌入框架中的度量学习进行高光谱图像分类，IEEE J.Sel。顶部。申请。地球。对象远程。Sens.10（5）（2017）1987-2001年。
[17] Luo，H.，Tang，Y.Y.，Wang，Y.，王，J.，Yang，L.，Li，C.和Hu，T.，基于光谱空间一维流形嵌入的高光谱图像分类，IEEE Trans。地质科学。遥感器。54（9）（2016）5319-5340。
[18] Melacci，S.和Belkin，M.，在原始J.Mach中训练的拉普拉斯支持向量机。学习。第12（5）（2011）号决议1149-1184·Zbl 1280.68182号
[19] Ram，I.、Elad，M.和Cohen，I.，使用补丁的平滑排序进行图像处理，IEEE Trans。图像处理。22（7）（2013）2764-2774·兹比尔1373.94339
[20] Ram，I.、Elad，M.和Cohen，I.，《通过平滑补丁排序使用nl-man进行图像去噪》，《Proc。IEEE Int.Conf.Acoustics，Speech and Signal Processing（ICASSP’13），加拿大温哥华，5月26-31日（IEEE，2013），第1350-1354页。
[21] Samaria，F.S.和Harter，A.C.，《人脸识别随机模型的参数化》。IEEE计算机视觉应用研讨会，美国萨拉索塔，12月5-7日（IEEE，1994），第138-142页。
[22] C.O.S.Sorzano、J.Vargas和A.P.Montano，《降维技术调查》，预印本（2014），arXiv:1403.2877。
[23] Wang，J.，《使用基于多重一维嵌入的自适应插值的半监督学习》，《国际小波》，《多分辨率》。Inf.Process.14（2）（2016）1640002·Zbl 1333.68236号
[24] Wang，Y.，Tang，Y.Y.，Li，L.，Chen，H.和Pan，J.，基于原子表示的分类：理论、算法和应用，IEEE Trans。模式分析。机器。Intell.99（2017）1-1。
[25] Wang，Y.，Tang，Y.Y.，Li，L.和Wang，J.，基于协作表示的多一维嵌入人脸识别，国际小波，多分辨率。《Inf.Process.14（2）》（2016）1640003·Zbl 1334.68197号
[26] Wang，Y.，Tang，Y.Y.和Li，L.，稳健子空间聚类的基于最小误差熵的稀疏表示，IEEE Trans。《信号信息处理》63（15）（2015）4010-4021·Zbl 1394.94813号
[27] Wang，Y.，Tang，Y.Y.和Li，L.，Corrpentary匹配追踪及其在鲁棒数字和人脸识别中的应用，IEEE Trans。Cybern.47（6）（2017）1354-1366。
[28] Wang，Y.，Tang，Y.Y.，Li，L.和Wang，P.，稳健模式分类的信息论原子表示，收录于Proc。IEEE国际会议模式识别（ICPR’16），墨西哥坎昆，12月4日至8日（IEEE，2016），第3685-3690页。
[29] Xiao，C.，Chen，X.，Li，W.，Li.，Wang，L.，Xie，Q.和Han，H.，使用三维监督卷积网络对em数据进行线粒体自动分割，Front。Neuroanat.12（2018）92。
[30] Xiao，C.，Li，W.，Deng，H.，Chen，X.，Yang，Y.，Xie，Q.和Han，H.，基于深度学习的突触三维重建的有效自动化管道，Bmc Bioinformatic.19（1）（2018）263。
[31] Yann，L.和Yoshua，B.，图像、语音和时间序列的卷积网络，《大脑理论和神经网络手册》（麻省理工出版社，1998年），第255-258页。
[32] Yin，X.，Chen，S.，Hu，E.和Zhang，D.，《带度量学习的半监督聚类：自适应核方法》，《模式识别》43（4）（2010）1320-1333·兹比尔1192.68623
[33] You，X.，Li，Q.，Tao，D.，Ou，W.和Gong，M.，基于样本的对象检测的局部度量学习，IEEE Trans。电路系统。视频技术。24（8）（2014）1265-1276。
[34] Zhang，L.，Yang，M.和Feng，X.，稀疏表征或协作表征：哪种有助于面部识别？程序中。IEEE国际计算机视觉会议（ICCV’11），西班牙巴塞罗那，11月6日至13日（IEEE，2011），第471-478页。
[35] X.Zhu，《半监督学习文献调查》，《计算科学技术报告1530》，威斯康星大学，麦迪逊分校（2006）。
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。