稀疏特征空间嵌入正则化:鲁棒的半监督学习框架

作     者：陶剑文 姚奇富 TAO Jian-wen;YAO Qi-fu

作者机构：浙江大学宁波理工学院信息科学与工程学院浙江宁波315100 浙江工商职业技术学院电子与信息工程学院浙江宁波315012 

出 版 物：《电子学报》 (Acta Electronica Sinica)

年 卷 期：2014年第42卷第11期

页      面：2198-2204页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 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规划基金(No.13YJAZH084) 浙江省自然科学基金(No.LY14F02009) 宁波市自然科学基金(No.2013A610065 No.2013A610072) 

主　　题：基于图的半监督学习 稀疏表示 最近特征空间嵌入 正则化 

摘      要：在机器学习领域,半监督学习作为一种有力工具吸引了越来越多的关注,其利用少量带标签数据和大量无标签数据进行有效学习,其中基于图的半监督学习方法因其优雅的数学形式和良好的学习性能而引起更广泛的研究.针对现有基于图的半监督学习方法所存在的模型参数敏感和数据判别信息不充分等问题,提出一种稀疏特征空间嵌入正则化(Sparse Feature Space embedding Regularization,SFSR)半监督学习框架,其主要思想为:首先分别将原始数据嵌入到线性特征空间,然后利用特征空间嵌入投影点集来稀疏重构原始数据,随后在由原始数据线性张成的标签空间通过保留这种稀疏表示关系来构建一个Laplacian正则化项,或称SFSR,最后提出一个鲁棒的基于SFSR的半监督学习框架,在几个实际基准数据库上的综合实验结果证实了所提框架的鲁棒有效性.