在高维数据分析中,一个不可避免且棘手的问题是维度诅咒,因而如何将高维数据通过特征选择降维为低维数据显得尤为重要。对此,提出了基于鲁棒矩阵分解和自适应图的无监督特征选择模型(unsupervised feature selection model based on rob...
详细信息
在高维数据分析中,一个不可避免且棘手的问题是维度诅咒,因而如何将高维数据通过特征选择降维为低维数据显得尤为重要。对此,提出了基于鲁棒矩阵分解和自适应图的无监督特征选择模型(unsupervised feature selection model based on robust matrix factorization and adaptive graph,MFAGFS),实现在一个统一的学习框架下执行鲁棒矩阵分解、特征选择以及局部结构学习。模型首先通过鲁棒矩阵分解可获得聚类标签,将聚类标签和局部结构信息用来引导特征选择过程,再从特征选择的结果中自适应地学习数据局部结构。通过局部结构学习和特征选择这两个基本任务的相互作用,MFAGFS可以精确捕获数据的结构信息以及选择出具有判别性的特征。然后,详细阐述了算法优化求解方法,并证明了算法的收敛性。最后,在6个公开数据集上进行试验对比分析,参数敏感性分析,验证了所提模型的有效性。实验结果表明,所提的方法与其他方法相比,性能均有不同程度的提高。
暂无评论