×

鲁棒超图及其应用。 (英语) Zbl 1453.68151号

摘要:Hypergraph是一种调节高阶数据相关性的重要学习工具,在机器学习和计算机视觉中有着广泛的应用。基于超图的应用程序的关键问题是构造一个信息超图,其中的超边有效地表示了高阶数据相关性。实际上,真实世界的数据通常是从非线性流形的并集中采样的。由于噪声和数据损坏的问题,许多数据样本偏离了底层数据流形。为了构造一个能很好地表示真实数据分布的信息超图,我们提出了一个超图模型(\(\ell_2)-超图)。我们的模型通过求解仿射子空间岭回归问题来生成每个超边,其中具有非零表示系数的样本用于生成超边。具体来说,为了对稀疏噪声和损坏具有鲁棒性,对数据错误施加了稀疏约束。我们在真实数据集上进行了图像聚类和分类实验。实验结果表明,我们的超图模型在准确性和对稀疏噪声的鲁棒性方面都优于现有的超图构造方法。

MSC公司:

68T05型 人工智能中的学习和自适应系统
05年6月15日 Hypergraphs(Hypergraph)
62J07型 岭回归;收缩估计器(拉索)
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] 阿加瓦尔,S。;Lim,J。;泽尼克,L。;佩罗纳,P。;克里格曼,D。;Belongie,S.,Beyond pairwise clustering,Computer Vision and Pattern Recognition,2005年。CVPR 2005。IEEE计算机学会会议,2838-845(2005),IEEE
[2] Chang,C。;Lin,C.,LIBSVM:支持向量机库,ACM Trans。因特尔。系统。技术。,2, 3, 1-27 (2011)
[3] A.杜库诺。;Bretto,A.,有向超图中的随机游动及其在半监督图像分割中的应用,计算机。视觉。图像理解。,120,91-102(2014)
[4] Elhamifar,E。;Vidal,R.,稀疏流形聚类和嵌入,神经信息处理系统进展,55-63(2011)
[5] Elhamifar,E。;Vidal,R.,《稀疏子空间聚类:算法、理论和应用》,IEEE Trans。模式分析。机器。智力。,352765-2781(2013年)
[6] 方,Q。;桑·J。;徐,C。;Rui,Y.,通过超图学习在基于兴趣的社交媒体网络中挖掘主题敏感影响者,IEEE Trans。多媒体,16,3,796-812(2014)
[7] 高,S。;Tsang,I.W.-H。;Chia,L.-T.,拉普拉斯稀疏编码,超图拉普拉斯稀编码,及应用,IEEE跨模式分析。机器。智力。,35, 1, 92-104 (2013)
[8] 高,Y。;吉·R。;崔,P。;戴奇。;Hua,G.,通过基于双层图的学习进行高光谱图像分类,IEEE Trans。图像处理。,23, 7, 2769-2778 (2014) ·Zbl 1374.94115号
[9] C.洪。;余,J。;李,J。;Chen,X.,基于补丁对齐框架的多视图超图学习,神经计算,118,79-86(2013)
[10] 徐,C。;Lin,C.,《多类支持向量机方法的比较》,IEEE Trans。神经网络。,13, 2, 415-425 (2002)
[11] 黄,S。;Yang,D。;刘,B。;Zhang,X.,用于图像聚类和分类的基于回归的超图学习arXiv,Comput。视觉。模式识别器。(2016)
[12] 黄,Y。;刘,Q。;吕,F。;龚,Y。;Metaxas,D.N.,用超图划分进行无监督图像分类,IEEE Trans。模式分析。机器。智力。,33, 6, 1266-1273 (2011)
[13] 黄,Y。;刘,Q。;Metaxas,D.,通过超图切割进行视频对象分割,计算机视觉和模式识别,2009年。CVPR 2009。IEEE会议,1738-1745(2009),IEEE
[14] 黄,Y。;刘,Q。;张,S。;Metaxas,D.N.,通过概率超图排名进行图像检索,计算机视觉和模式识别(CVPR),2010年IEEE会议,3376-3383(2010),IEEE
[15] Hull,J.J.,《手写文本识别研究数据库》,IEEE Trans。模式分析。机器。智力。,16, 5, 550-554 (1994)
[16] Jin,T。;余,J。;你,J。;曾,K。;李,C。;Yu,Z.,带多重超图正则化子的低秩矩阵分解,模式识别。,48, 3, 1011-1022 (2015) ·Zbl 1373.68323号
[17] Jin,T。;Yu,Z。;李,L。;Li,C.,用于图像表示的多图正则化稀疏编码和多超图正则化稀少编码,神经计算,154245-256(2015)
[18] Kim,S。;Yoo,C.D。;诺沃津,S。;Kohli,P.,使用高阶相关聚类进行图像分割,IEEE Trans。模式分析。机器。智力。,36, 9, 1761-1774 (2014)
[19] Kipf,T.N。;Welling,M.,图卷积网络半监督分类,国际学习表征会议(2017)
[20] Lecun,Y。;博图,L。;Y.本吉奥。;Haffner,P.,《基于梯度的学习应用于文档识别》,Proc。IEEE,8622278-2324(1998年)
[21] Lee Kwang,H。;Cho,C.H.,超图的层次约简与划分,IEEE Trans。系统。人类网络。B部分(Cybern.),26,2,340-344(1996)
[22] 李,L。;Li,T.,通过超图学习的新闻推荐:用户行为和新闻内容的封装,第六届ACM网络搜索和数据MMining国际会议论文集,305-314(2013),ACM
[23] 刘,G。;Lin,Z。;Yan,S。;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 Trans。模式分析。机器。智力。,35, 1, 171-184 (2013)
[24] 刘,Q。;孙,Y。;王,C。;刘,T。;Tao,D.,图像聚类和半监督分类的弹性网超图学习,IEEE Trans。图像处理。,26, 1, 452-463 (2017) ·Zbl 1409.94387号
[25] Lu,C.Y。;最小高度。;赵振强。;朱,L。;黄,D.S。;Yan,S.,《通过最小二乘回归实现稳健高效的子空间分割》,计算机视觉-ECCV 2012,347-360(2012)
[26] Nene,S.A。;Nayar,S.K。;Murase,H.,哥伦比亚物体图像库(Coil-20)(1996)
[27] Nesterov,Y.,关于凸优化的入门讲座:基础课程,87(2013),施普林格科学与商业媒体
[28] Ng,A.Y。;M.I.乔丹。;Weiss,Y.,《关于谱聚类:分析和算法》,《神经信息处理系统进展》,849-856(2002)
[29] 彭,X。;张,L。;Yi,Z。;Tan,K.K.,学习局部约束的协作表示以实现鲁棒人脸识别,模式识别。,47, 9, 2794-2806 (2014)
[30] 史J。;Malik,J.,标准化切割和图像分割,IEEE Trans。模式分析。机器。智力。,22, 8, 888-905 (2000)
[31] 西姆·T。;贝克,S。;Bsat,M.,《cmu姿势、照明和表情(饼图)数据库》,《自动面部和手势识别》,2002年。诉讼程序。第五届IEEE国际会议,53-58(2002),IEEE
[32] Sun,L。;季S。;Ye,J.,用于多标签分类的超图谱学习,第14届ACM SIGKDD国际知识发现和数据挖掘会议论文集,668-676(2008),ACM
[33] 田,Z。;Hwang,T。;Kuang,R.,一种基于超图的学习算法,用于利用先验知识对基因表达和阵列数据进行分类,生物信息学,25,212831-2838(2009)
[34] Wang,J。;杨,J。;Yu,K。;吕,F。;黄,T。;Gong,Y.,用于图像分类的局部约束线性编码,计算机视觉和模式识别(CVPR),2010年IEEE会议,3360-3367(2010),IEEE
[35] 王,M。;刘,X。;Wu,X.,视觉分类\(ℓ_1)超图建模,IEEE Trans。知识。数据工程,27,9,2564-2574(2015)
[36] Wang,Y。;李,P。;姚,C.,用于多标签分类的超图典型相关分析,信号处理。,105258-267(2014)
[37] Windrim,L。;Melkumyan,A。;墨菲,R.J。;Chlingarian,A。;Ramakrishnan,R.,高光谱卷积神经网络分类预训练,IEEE Trans。地质科学。遥感,56,5,2798-2810(2018)
[38] 尹,M。;谢S。;吴,Z。;Zhang,Y。;Gao,J.,通过学习自适应低秩图进行子空间聚类,IEEE Trans。图像处理。,27, 8, 3716-3728 (2018) ·Zbl 1409.94717号
[39] 尹,M。;曾博士。;高杰。;吴,Z。;Xie,S.,基于rpca的稳健多项式logistic回归,IEEE J.Sel。顶部。信号处理。,12, 6, 1144-1154 (2018)
[40] 余,J。;Rui,Y。;Tao,D.,使用多模式稀疏编码进行网络图像重新分类的点击预测,IEEE Trans。图像处理。,23, 5, 2019-2032 (2014) ·Zbl 1374.94435号
[41] 余,J。;陶,D。;Wang,M.,自适应超图学习及其在图像分类中的应用,IEEE Trans。图像处理。,21, 7, 3262-3272 (2012) ·Zbl 1381.62216号
[42] 扎斯·R。;Shashua,A.,概率图和超图匹配,计算机视觉和模式识别,2008年。CVPR 2008。IEEE会议,1-8(2008),IEEE
[43] Zhang,Y.,交替方向方法的最新进展:实践和理论,IPAM连续优化研讨会(2010)
[44] 张,Z。;Bai,L。;梁,Y。;Hancock,E.,特征选择的联合超图学习和稀疏回归,模式识别。,63, 291-309 (2017) ·Zbl 1429.68247号
[45] 郑,M。;Bu,J。;陈,C。;王,C。;张,L。;邱,G。;Cai,D.,图像表示的图形正则化稀疏编码,IEEE Trans。图像处理。,1327-1336年5月20日(2011年)·Zbl 1372.94314号
[46] Zhou博士。;黄,J。;Schölkopf,B.,超图学习:聚类、分类和嵌入,神经信息处理系统进展,1601-1608(2007)
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。