×

基于低秩表示的半监督分类。 (英语) Zbl 1461.62098号

摘要:基于图的半监督分类使用图来捕获样本之间的关系,并利用图上的标记传播技术来预测未标记样本的标记。然而,很难构造一个图来如实地描述高维样本之间的关系。最近,低秩表示被引入到构造图中,该图可以保持高维样本的全局结构,并有助于训练准确的传递分类器。在本文中,我们利用低秩表示来构造图,并提出了一种归纳的半监督分类器,称为基于低秩表示的半监督分类(SSC-LRR)。SSC-LRR首先利用带自适应惩罚的线性化交替方向法计算样本低阶表示的系数矩阵。然后,采用系数矩阵定义图。最后,SSC-LRR将该图合并到基于图的半监督线性分类器中,对未标记样本进行分类。在四个广泛使用的人脸数据集上进行了实验,以验证所提出的SSC-LRR的有效性,结果表明,SSC-LRR比其他相关方法具有更高的准确性。

MSC公司:

62H30型 分类和区分;聚类分析(统计方面)
05C90年 图论的应用
68立方英尺 知识表示
68兰特 计算机科学中的图论(包括图形绘制)

软件:

AR面;CMU项目
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] 朱,X;半监督学习文献调查:美国威斯康星州麦迪逊,2008。
[2] 朱,X。;加赫拉马尼,Z。;拉弗蒂,J。;基于高斯场和调和函数的半监督学习;机器学习国际会议论文集:,912-919.
[3] 周,D。;O.布斯克。;拉尔,T。;韦斯顿,J。;肖尔科夫,B。;以本地和全球一致性学习;高级神经信息处理。系统:2004; 第16卷,321-328。
[4] 朱,X。;O.J.拉弗蒂。;加赫拉马尼,Z;半监督学习:从高斯场到高斯过程:匹兹堡,宾夕法尼亚州,美国2003。
[5] Wang,J。;王,F。;张,C。;沈,H。;Quan,L。;线性邻域传播及其应用;IEEE传输。模式分析。马赫。整数:2009年;第31卷,1600-1615。
[6] 刘伟。;Chang,S。;基于图的鲁棒多类传递学习;IEEE计算机视觉和模式识别会议记录:,381-388.
[7] 帕森,L。;哈克,E。;刘,H。;高维数据的子空间聚类:综述;ACM SIGKDD探索。新闻:2004; 第6卷,90-105。
[8] Roweis,S.T。;Saul,L.K。;基于局部线性嵌入的非线性降维;科学:2000年;第290卷,第2323-2326页。
[9] 赵,M。;周,T.W。;张,Z。;李,B。;基于紧图半监督学习的图像自动标注;知识-基于系统:2015年;第76卷,148-165。
[10] Cheng,B。;杨,J。;Yan,S。;用l1图学习图像分析;IEEE传输。图像处理:2010年;第19卷,858-866·Zbl 1371.68229号
[11] 范,M。;顾,N。;乔·H。;张,B。;半监督分类的稀疏正则化;图案识别:2011; 第44卷,1777-1784·Zbl 1218.68120号
[12] Yu,G。;张,G。;张,Z。;Yu,Z。;邓,L。;基于子空间稀疏表示的半监督分类;知识。信息系统:2015年;第43卷,81-101。
[13] Yang,S。;王,X。;王,M。;韩,Y。;Jiao,L。;用于模式识别的半监督低阶表示图;IET图像处理:2013; 第7卷,131-136。
[14] 刘,G。;林,Z。;Yan,S。;Sun,J。;马云(Ma,Y.)。;基于低秩表示的子空间结构鲁棒恢复;IEEE传输。模式分析。马赫。整数:2013; 第35卷,171-184。
[15] 刘,G。;林,Z。;Yu,Y。;基于低秩表示的鲁棒子空间分割;第27届机器学习国际会议论文集:,663-670.
[16] 彭,Y。;长X。;卢,B。;基于结构保持低阶表示的图半监督学习;神经过程。通讯:2015年;第41卷,389-406。
[17] Yang,S。;Z.Feng。;任,Y。;刘,H。;Jiao,L。;基于核低秩表示图的半监督分类;知识。基于系统:2014; 第69卷,第150-158页。
[18] 庄,L。;高,H。;林,Z。;马云(Ma,Y.)。;张,X。;Yu,N。;用于半监督学习的非负低秩稀疏图;IEEE计算机视觉和模式识别会议记录:,2328-2335.
[19] 蔡J.F。;坎迪斯,E.J。;沈,Z。;矩阵补全的奇异值阈值算法;SIAM J.优化:2010年;第20卷,1956-1982年·Zbl 1201.90155号
[20] 坎迪斯,E。;李,X。;马云(Ma,Y.)。;Wright,J。;稳健主成分分析;J.ACM:2011年;第58卷,第11页·Zbl 1327.62369号
[21] 刘杰。;季S。;Ye,J。;基于高效l2,1-形式最小化的多任务特征学习;人工智能不确定性国际会议论文集:,339-348.
[22] 林,Z。;刘,R。;苏,Z。;低阶表示的自适应惩罚线性化交替方向法;神经信息处理系统学报:,612-620.
[23] 钟,F.R;谱图理论:普罗维登斯,RI,美国1997;第92卷·Zbl 0867.05046号
[24] 马丁内斯。;Benavente,R;AR-Face数据库:西班牙巴塞罗那,1998年。
[25] 萨马利亚,F。;哈特,A。;人脸识别随机模型的参数化;第二届IEEE计算机视觉应用研讨会论文集:,138-142.
[26] 西姆·T。;贝克,S。;英国国家统计局,M。;CMU姿势、照明和表情数据库;IEEE传输。模式分析。马赫。整数:2003; 第25卷,1615-1618。
[27] 乔治亚德斯,A。;Belhumeur,P。;克里格曼,D。;从少到多:可变光照和姿态下人脸识别的照明锥模型;IEEE传输。模式分析。马赫。整数:2001; 第23卷,643-660。
[28] 贝尔金,M。;Niyogi,P。;信德瓦尼,V。;流形正则化:从标记和未标记示例学习的几何框架;J.马赫。学习。决议:2006年;第7卷,2399-2434·Zbl 1222.68144号
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配,并且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。