×
李建伟

具有自表示性的无监督鲁棒判别流形嵌入。 （英语） Zbl 1434.68422号

神经网络。 113, 102-115 (2019).
摘要：由于维数灾难，降维在机器学习和计算机视觉领域得到了越来越多的关注。许多流形嵌入方法被提出用于降维。其中许多是基于图正则化的监督方法，其权重亲和力是由原始无噪数据决定的。当数据有噪声时，它们的性能可能会降低。为了解决这个问题，我们提出了一种新的无监督鲁棒鉴别流形嵌入方法URDME，该方法旨在提供一个联合的框架，包括降维、鉴别子空间学习、鲁棒亲和表示和鉴别流形的嵌入。学习到的鲁棒亲和性不仅捕获了底层高维数据的全局几何和内在结构，而且满足了自我表现特性。此外，学习后的投影矩阵在低维子空间中具有鉴别能力。在几个公共基准数据集上的实验结果证实了该方法的有效性，并显示了其与相关方法相比的竞争性能。

MSC公司：

68T05型 人工智能中的学习和自适应系统

关键词：

无监督鲁棒判别流形嵌入（URDME）;降维;低阶学习;判别子空间;稳健亲和力;无监督学习

软件：

LMa拟合
PDF格式BibTeX公司 XML格式引用
\textit{J.Li}，神经网络。113、102-115（2019年；Zbl 1434.68422）
全文： 内政部

参考文献：

[1] 阿马尔迪，E。；Kann，V.，关于线性系统中最小化非零变量或未满足关系的逼近性，理论计算机科学，209237-260（1998）·Zbl 0915.68072号
[2] 巴特尔，R。；Sherbert，D.，《真实分析导论》（2011），John Wiley and Sons Inc。
[3] 贝尔金，M。；Niyogi，P.，《用于嵌入和聚类的拉普拉斯特征映射和光谱技术》（Proc.NIPS，vol.14（2001）），585-591
[4] Bertsekas，D.，约束优化和拉格朗日乘子法（2014），学术出版社
[5] 博伊德，S。；Parikh，北。；朱，E。；佩莱托，B。；Eckstein，J.，《通过交替方向乘数法进行分布式优化和统计学习》，《现代基础与趋势》，3，1（2011），第1版。
[6] 博伊德，S。；Vandenberghe，L.，《凸优化》（2009），剑桥大学出版社
[7] 蔡，J。；坎迪斯，E。；Shen，Z.，矩阵补全的奇异值阈值算法，SIAM优化期刊，20，41956-1982（2010）·Zbl 1201.90155号
[8] 坎迪斯，E。；李，X。；马云（Ma，Y.）。；Wright，J.，稳健主成分分析，ACM杂志，58，3，1-17（2011）·Zbl 1327.62369号
[9] 坎迪斯，E。；Recht，B.，通过凸优化实现精确矩阵补全，计算数学基础，9717-772（2009）·Zbl 1219.90124号
[10] 科伊夫曼，R。；Lafon，S.，扩散图，应用和计算谐波分析，21，5-30（2006）·Zbl 1095.68094号
[11] 多诺霍，D。；Grimes，C.，Hessian特征映射：高维数据的新局部线性嵌入技术，美国国家科学院学报，100,105591-5596（2003）·Zbl 1130.62337号
[12] 杜达，R。；哈特，P。；Stork，D.，模式分类（2000），威利
[13] Elhamifar，E。；Vidal，R.，《稀疏子空间聚类：算法、理论和应用》，IEEE模式分析和机器智能汇刊，35，11，2765-2781（2013）
[14] 范，M。；张，X。；林，Z。；张，Z。；Bao，H.，基于测地线的半监督多流形学习的正则化方法，IEEE图像处理汇刊，23，5，2133-2147（2014）·Zbl 1381.62089号
[15] Fisher，R.，《分类问题中多重测量的使用》，优生学年鉴，7179-188（1936）
[16] Fukunaga，K.，《统计模式识别导论》（1990），ACADEMIC PRESS INC:ACADEMIC PRESS INC Boston·Zbl 0711.62052号
[17] 何，X。；蔡，D。；Yan，S。；Zhang，H.，邻里保护嵌入，ICCV学报，2，23，1208-1213（2005）
[18] 何，X。；Niyogi，P.，《保持位置的投影》（《NIPS汇编》，第16卷（2003年））
[19] 何，X。；Yan，S。；胡，Y。；Niyogi，P.等人。；Zhang，H.，使用拉普拉斯人脸进行人脸识别，IEEE模式分析和机器智能汇刊，27，3，328-340（2005）
[20] 侯，C。；聂，F。；Yi，D。；Tao，D.，《判别嵌入式聚类：高维数据分组框架》，IEEE神经网络学习系统汇刊，26，6，1287-1299（2015）
[21] Jolliffe，I.，主成分分析（2002），Springer·Zbl 1011.62064号
[22] 李，S。；Fu，Y.，具有低秩约束的学习鲁棒和判别子空间，IEEE神经网络学习系统汇刊，27，112160-2173（2016）
[23] 李伟（Li，W.）。；刘杰。；Du，Q.，高光谱图像判别分析的稀疏低秩图，IEEE地球科学与遥感汇刊，54，7，4094-4105（2016）
[24] 李，Z。；刘杰。；Tang，J。；Lu，H.，用于数据表示的鲁棒结构化子空间学习，IEEE模式分析与机器智能汇刊，37，10，2085-2098（2015）
[25] 李，C。；Vidal，R.，用于子空间聚类和完成的结构化稀疏加结构化低秩框架，IEEE信号处理学报，64，24，6557-6570（2016）·Zbl 1414.94340号
[26] 李，J。；Wu，Y。；赵，J。；Lu，K.，用于多视图学习的低秩判别嵌入，IEEE控制论汇刊，47，11，3516-3529（2017）
[27] Lin，Z.、Chen，M.和Yi，M.（2010）。用于精确恢复损坏的低秩矩阵的增广拉格朗日乘子方法，arXiv预印本arXiv：1009.5055；Lin，Z.、Chen，M.和Yi，M.（2010）。精确恢复受损低秩矩阵的增广拉格朗日乘子法，arXiv预印arXiv:1009.5055
[28] Lin，Z.、Ganesh，A.、Wright，J.、Wu，L.、Chen，M.和Ma，Y.（2009年）。精确恢复受损低秩矩阵的快速凸优化算法，技术报告UILU-ENG-09-2214 UIUC。；Lin，Z.、Ganesh，A.、Wright，J.、Wu，L.、Chen，M.和Ma，Y.（2009年）。精确恢复受损低秩矩阵的快速凸优化算法，技术报告UILU-ENG-09-2214 UIUC。
[29] 林，Z。；刘，R。；Su，Z.，低秩表示的具有自适应惩罚的线性化交替方向方法，（Proc.NIPS，vol.24（2011）），612-620
[30] 刘杰。；Ji，S。；Ye，J.，通过有效的（l_{2，1}）范数最小化进行多任务特征学习，（第二十五届会议论文集UAI（2009）），339-348
[31] 刘，G。；林，Z。；Yan，S。；Sun，J。；Ma，Y.，通过低秩表示实现子空间结构的稳健恢复，IEEE模式分析和机器智能汇刊，35，1，171-184（2013）
[32] 刘伟。；陶，D。；程，J。；Tang，Y.，用于图像注释的多视点黑森判别稀疏编码，计算机视觉和图像理解，118，50-60（2014）
[33] 刘，G。；Xu，H。；Tang，J。；刘，Q。；Yan，S.，《lrr的确定性分析》，IEEE模式分析和机器智能汇刊，38，3，417-430（2016）
[34] 刘伟。；杨，X。；陶，D。；程，J。；Tang，Y.，基于hessian多集典型相关的多视图降维，Inform Fusion，41，119-128（2018）
[35] 刘伟。；查，Z。；王，Y。；卢克。；Tao，D.，p-laplacian正则稀疏编码用于人类活动识别，IEEE工业电子学报，63，8，5120-5129（2016）
[36] 卢，Y。；赖，Z。；Xu，Y。；李，X。；张，D。；Yuan，C.，低水位保持预测，IEEE控制论汇刊，46，8，1900-1913（2016）
[37] 罗，D。；黄，H。；丁，C。；Nie，F.，关于p-laplacian的特征向量，机器学习，81，37-51（2010）·Zbl 1470.68141号
[38] 罗，F。；黄，H。；马，Z。；Liu，J.，高光谱图像特征提取的半监督稀疏流形判别分析，IEEE Geoscience Remote Sensing Letter，54，10（2016）
[39] 吕，M。；侯，Q。；邓，N。；Jing，L.，高光谱图像的协同判别流形嵌入，IEEE Geoscience Remote Sensing Letter，14，4，569-573（2017）
[40] 莫汉，K。；Fazel，M.，矩阵秩最小化的迭代重加权算法，机器学习研究杂志（JMLR），13，1，3441-3473（2012）·Zbl 1436.65055号
[41] Roweis，S。；Saul，L.，通过局部线性嵌入降低非线性维数，《科学》，290，5500，2323-2326（2000）
[42] 沈毅。；温，Z。；Zhang，Y.，基于低阶分解的矩阵分离增广拉格朗日交替方向法，优化方法与软件，29，2，239-263（2014）·Zbl 1285.90068号
[43] 陶，D。；郭毅。；李毅。；Gao，X.，用于面部识别的张量保秩判别分析，IEEE图像处理汇刊，27，1，325-334（2018）·Zbl 1409.94582号
[44] Tenenbaum，J。；席尔瓦，V。；Langford，J.，《非线性降维的全球几何框架》，《科学》，29055002319-2323（2000）
[45] Tibshirani，R.，《通过套索进行回归收缩和选择》，《皇家统计学会杂志》。B系列，58，1，267-288（1996）·Zbl 0850.62538号
[46] Wan，M。；Lai，Z.，基于最大边缘准则（mlge/mmc）的人脸识别多流形局部图嵌入，IEEE Access，5，9823-9830（2017）
[47] 王，X。；刘，Y。；聂，F。；Huang，H.，《判别非监督降维》，（《国际计算机学会学报》，第9卷，第12期（2015年），布宜诺斯艾利斯和阿根廷），第3925-3931页
[48] Wang，J。；王，X。；田，F。；刘，C。；Yu，H.，鲁棒子空间聚类的约束低秩表示，IEEE控制论汇刊，47，124534-5446（2017）
[49] Wright，J。；Ganesh，A。；Rao，S。；彭，Y。；Ma，Y.，《稳健主成分分析：通过凸优化精确恢复损坏的低秩矩阵》（Proc.NIPS，第22卷（2009））
[50] 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）
[51] 杨，J。；尹，W。；Zhang，Y。；Wang，Y.，一种快速的保边缘变分多通道图像恢复算法，SIAM成像科学杂志，2，2，569-592（2009）·Zbl 1181.68304号
[52] 尹，M。；高，J。；Lin，Z.，拉普拉斯正则化低秩表示及其应用，IEEE模式分析与机器智能汇刊，38，3504-517（2016）
[53] 张，H。；林，Z。；Zhang，C.，在一般基础上用来自少数系数的损坏样本完成低秩矩阵，IEEE信息理论学报，62，8，4748-4768（2016）·Zbl 1359.94211号
[54] 张，T。；陶，D。；李，X。；Yang，J.，面向降维的补丁对齐，IEEE知识与数据工程汇刊，21，9，1299-1313（2009）
[55] 张，S。；尹，P。；Xin，J.，变换schatten-1迭代阈值算法，数学科学中的通信，15839-862（2017）·Zbl 1395.90207号
[56] 张，Z。；Zha，H.，通过局部切线空间对齐的主流形和非线性降维，SIAM科学计算杂志，26，1，313-338（2005）·Zbl 1077.65042号
[57] 周，P。；林，Z。；Zhang，C.，用于识别的集成低秩判别特征学习，IEEE神经网络学习系统汇刊，27，5，1080-1093（2016）
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。