%0 Journal Article
%T Semi-supervised locality dimensionality reduction<br>半监督局部维数约减
%A Yin Xuesong
%A Hu Enliang
%A <br>尹学松
%A 胡恩良
%J 中国图象图形学报
%D 2011
%I 
%X 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。
%K 成对约束
%K 局部信息
%K 维数约减
%K 判别分析算法
%U http://www.alljournals.cn/get_abstract_url.aspx?pcid=5B3AB970F71A803DEACDC0559115BFCF0A068CD97DD29835&cid=8240383F08CE46C8B05036380D75B607&jid=D06194629680C940ACE75262F54B9D85&aid=2B168B6160CED65F4414305152FF8515&yid=9377ED8094509821&vid=7801E6FC5AE9020C&iid=9CF7A0430CBB2DFD&sid=633354CC2908E635&eid=967EC9935A34C4F3&journal_id=1006-8961&journal_name=中国图象图形学报&referenced_num=0&reference_num=0