基于自适应学习的多视图无监督特征选择方法

作     者：何添 沈宗鑫 黄倩倩 黄雁勇 HE Tian;SHEN Zongxin;HUANG Qianqian;HUANG Yanyong

作者机构：西南财经大学统计学院成都611130 西南交通大学计算机与人工智能学院成都611756 

出 版 物：《计算机应用》 (journal of Computer Applications)

年 卷 期：2023年第43卷第9期

页      面：2657-2664页

学科分类：08[工学] 0835[工学-软件工程] 081202[工学-计算机软件与理论] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：教育部人文社会科学研究青年基金资助项目(21YJCZH045) 中央高校基本科研业务费专项资金资助项目(JBK2304037) 

主　　题：多视图无监督特征选择 自适应学习 相似度矩阵 视图权重 特征权重 

摘      要：现有的多视图无监督特征选择方法大多存在以下问题:样本的相似度矩阵、不同视图的权重矩阵和特征的权重矩阵往往是预先定义的,不能有效刻画数据间的真实结构以及反映不同视图和特征的重要性,进而导致不能选出有用的特征。为解决上述问题,首先,在多视图模糊C均值聚类的基础上进行视图权重和特征权重的自适应学习,以同时实现特征选择并保证聚类性能;然后,在拉普拉斯秩约束下自适应地学习样本的相似度矩阵,并构建一个基于自适应学习的多视图无监督特征选择(ALMUFS)方法;最后,设计一种交替迭代优化算法对目标函数进行求解,并在8个真实数据集上将所提方法与6种无监督特征选择基线方法进行比较。实验结果表明,ALMUFS的聚类精度和F-measure优于其他方法,与自适应协作相似性学习(ACSL)相比,平均提高8.99和11.87个百分点;与ASVM(Adaptive Similarity and View Weight)相比,平均提高11.09和13.21个百分点,验证了所提方法的可行性和有效性。