半监督局部维数约减
Semi-supervised locality dimensionality reduction作者机构:南京航空航天大学信息科学与技术学院南京210016 浙江广播电视大学信息与工程学院杭州310030
出 版 物:《中国图象图形学报》 (Journal of Image and Graphics)
年 卷 期:2011年第16卷第9期
页 面:1615-1624页
核心收录:
学科分类:08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程]
基 金:浙江省自然科学基金项目(Y1100349) 浙江省教育厅项目(Z201017701) 浙江省高等学校优秀青年教师项目(2008)
摘 要:在挖掘和分析高维数据任务中,有时只能获得有限的成对约束信息(must-link约束和cannot-link约束),由于缺乏数据类标号信息,监督维数约减方法常常不能得到满意的结果。在这种情况下,使用大量的无标号样本可以提高算法的性能。文中借助于成对约束信息和大量无标号样本,提出半监督局部维数约减方法(SLDR)。SLDR集成数据的局部信息和成对约束寻找一个最优投影,当数据被投影到低维空间时,不仅cannot-link约束中样本点对之间距离更远、must-link约束中样本点对之间距离更近,数据的内在几何信息还被保持。而且SLDR能推广为非线性方法,使之能够适应非线性数据的维数约减。在各种数据集上的实验结果充分验证了所提出算法的有效性。