半监督类保持局部线性嵌入方法
Semi-supervised class preserving locally linear embedding作者机构:哈尔滨工程大学数学科学学院黑龙江哈尔滨150001
出 版 物:《智能系统学报》 (CAAI Transactions on Intelligent Systems)
年 卷 期:2021年第16卷第1期
页 面:98-107页
核心收录:
学科分类:08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程]
基 金:国家自然科学基金项目(11471001 61872104)。
主 题:非线性特征提取 流形学习 半监督 标记信息 聚类 可视化
摘 要:为使局部线性嵌入(local linear embedding,LLE)这一无监督高维数据的非线性特征提取方法提取出的特征在分类或聚类学习上更优,提出一种半监督类保持局部线性嵌入(semi-supervised class preserving local linear embedding,SSCLLE)的非线性特征提取方法。该方法将半监督信息融入到LLE中,首先对标记样本近邻赋予伪标签,增大标记样本数量。其次,对标记样本之间的距离进行局部调整,缩小同类样本间距,扩大异类样本间距。同时在局部线性嵌入优化目标函数中增加全局同类样本间距和异类样本间距的约束项,使得提取出的低维特征可以确保同类样本点互相靠近,而异类样本点彼此分离。在一系列实验中,其聚类精确度以及可视化效果明显高于无监督LLE和现有半监督流特征提取方法,表明该方法提取出的特征具有很好的类保持特性。