×
徐辉；杨永国；王欣；刘明明；谢红霞；王楚娇

通过比率跟踪和边际Fisher分析进行多核降维。 （英语） Zbl 1435.62251号

数学。问题。工程师。 2019年，文章ID 6941475，第8页（2019年）.
摘要：用于降维的传统监督多核学习（MKL）通常是核判别分析（KDA）的扩展，具有一些限制性假设。此外，它们通常基于图嵌入框架。针对有监督非线性降维和比率竞赛优化问题，提出了一种更通用的基于多核的降维算法，称为多核边际Fisher分析（MKL-MFA）。MKL-MFA旨在放宽每类数据都是高斯分布的限制性假设，并找到几个基本核的适当凸组合。为了提高多核降维的效率，在优化模型中加入了谱回归框架。此外，可以通过求解不同的凸优化来获得预定义的基核的最优权重。在基准数据集上的实验结果表明，MKL-MFA的性能优于最新的监督多核降维方法。

MSC公司：

62H30型 分类和区分；聚类分析（统计方面）
62G05型 非参数估计
PDF格式BibTeX公司 XML格式引用
\textit{H.Xu}等人，数学。问题。Eng.2019，文章ID 6941475，8 p.（2019；Zbl 1435.62251）
全文： 内政部

参考文献：

[1] 李，L。；Goh，W。；Lim，J.H。；Pan，S.J.，高效场景识别的扩展光谱回归，模式识别，47，9，2940-2951（2014）·doi:10.1016/j.patcog.2014.03.012
[2] Nazarpour，A。；Adibi，P.，用于监督降维的两阶段多核学习，模式识别，48，5，1854-1862（2015）·doi:10.1016/j.patcog.2014.12.001
[3] 蔡，H。；Mikolajczyk，K。；Matas，J.，学习图像描述符降维的线性判别投影，IEEE模式分析和机器智能汇刊，33，2，338-352（2011）·doi:10.1109/tpami.2010.89
[4] 黄，X。；雷，Z。；范，M。；王，X。；Li，S.Z.，异质人脸匹配的正则化判别光谱回归方法，IEEE图像处理汇刊，22，1，353-362（2013）·Zbl 1373.94178号 ·doi:10.1109/TIP.2012.2215617
[5] 朱，X。；黄，Z。；杨，Y。；陶申，H。；徐，C。；Luo，J.，高维小数据的自学降维，模式识别，46，1，215-229（2013）·兹比尔1248.68429 ·doi:10.1016/j.patcog.2012.07.018
[6] 朱，X。；黄，Z。；陶申，H。；程，J。；Xu，C.，混合核典型相关分析降维，模式识别，45，8，3003-3016（2012）·Zbl 1236.68212号 ·doi:10.1016/j.patcog.2012.02.007
[7] Yan，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学报，29，1，40-51（2007）·doi:10.1109/TPAMI.2007.250598
[8] 刘，B。；夏，S.-X。；孟福瑞。；Zhou，Y.，高效正则化子空间学习的极端谱回归，神经计算，149171-179（2015）·doi:10.1016/j.neucom.2013.09.073
[9] 科尔特斯，C。；莫赫里，M。；Rostamizadeh，A。；Y.本吉奥。；舒尔曼斯，D。；Lafferty，J。；威廉姆斯，C.K.I。；Culotta，A.，学习核的非线性组合，神经信息处理系统的进展，22396-404（2009）
[10] 刘，B。；周，Y。；Xia，Z。；刘，P。；严奇。；Xu，H.，基于谱回归的边际Fisher分析降维算法，神经计算，277，14，101-107（2018）·doi:10.1016/j.neucom.2017.05.097
[11] Lin，Y.-Y。；刘，T.-L。；Fuh，C.-S.，用于降维的多核学习，IEEE模式分析和机器智能汇刊，33，6，1147-1160（2011）·doi:10.10109/tpami.210.183
[12] 蒋伟（Jiang，W.）。；Chung，F.-L.，基于多核降维的迹比最大化方法，神经网络，49，96-106（2014）·Zbl 1296.68132号 ·doi:10.1016/j.neunet.2013.09.004
[13] 刘，M。；Sun，W。；Liu，B.，通过谱回归和迹比最大化减少多核维数，基于知识的系统，83，1，159-169（2015）·doi:10.1016/j.knosys.2015.03.019
[14] 聂，F。；曾，Z。；Tsang，I.W。；徐，D。；Zhang，C.，Spectral embedded clustering:a framework for in-sample and out-of-sample spectrum clustering，IEEE Transactions on Neural Networks and Learning Systems，22，11，1796-1808（2011），光谱嵌入聚类：样本内和样本外光谱聚类的框架·doi:10.1109/tnn.2011.26万
[15] 拉维蒂亚，V。；博达，V.P。；Chellappa，R.，MKL-RT：通过凸优化实现比率跟踪问题的多核学习，Eprint Arxiv（2014）
[16] Hettich，R。；Kortanek，K.O.，《半无限规划：理论、方法和应用》，SIAM Review，35，3，380-429（1993）·Zbl 0784.90090号 ·doi:10.1137/1035089
[17] 蔡，D。；何，X。；Han，J.，高效正则化子空间学习的谱回归，IEEE第十一届计算机视觉国际会议论文集（ICCV’07）·doi:10.1109/iccv.2007.4408855
[18] 蔡，D。；何，X。；Zhang，W.V。；Han，J.，通过光谱回归进行正则化局部保持索引，第16届ACM信息和知识管理会议论文集（CIKM’07）·数字标识代码：10.1145/1321440.1321544
[19] 贝尔金，M。；信德瓦尼，V。；Niyogi，P.，流形正则化：从标记和未标记示例学习的几何框架，机器学习研究杂志，72399-2434（2006）·Zbl 1222.68144号
[20] Ngo，T.T。；贝拉利吉，M。；Saad，Y.，跟踪比优化问题，SIAM Review，54，3，545-569（2012）·Zbl 1251.65090号 ·doi:10.1137/120864799
[21] 王，H。；Yan，S。；徐，D。；唐，X。；Huang，T.，用于降维的跟踪比率与比率跟踪，IEEE计算机视觉和模式识别会议论文集（CVPR’07）
[22] Chen，W。；Feng，G.，光谱聚类：一种半监督方法，神经计算，77，1229-242（2012）·doi:10.1016/j.neucom.2011.09.002
[23] 蔡，D。；何，X。；Han，J.，SRDA：大规模判别分析的有效算法，IEEE Trans论文集。知识。数据工程·doi:10.1109/tkde.2007.190669
[24] Xia，Z。；夏，S。；Wan，L。；Cai，S.，轴承加速度计传感器信号基于谱回归的故障特征提取，Sensors，12，10，13694-13719（2012）·数字对象标识代码：10.3390/s121013694
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。