%0 Journal Article
%T 一种基于局部流形结构的无监督特征学习方法
%A 冯定成
%A 陈峰
%A 徐文立
%J 自动化学报
%P 2253-2261
%D 2014
%R 10.3724/SP.J.1004.2014.02253
%X ？无监督特征选择是统计模式识别领域中的基础问题,在过去数十年里一直受到重视.近年来,很多工作将特征选择归结为带有离散约束的非线性降维问题.这方面的研究采用数据服从流形分布的假设并强调运用流形学习技术.许多现有的特征选择方法运用图拉普拉斯的基本性质选择能够最大限度地保留数据流形的特征,例如SPEC(图拉普拉斯上的谱分解)、TR准则(迹比)、MSFS(多聚类特征选择)以及EVSC(特征值敏感准则).本文从另一类流形学习算法出发,提出了基于局部线性嵌入(LLE)的新算法.基于LLE特征选择的主要难点是求解带有二次规划和特征值分解的优化问题.我们证明了在特征选择问题中,LLE的目标函数可以按照维数分解,这有助于采用主成分分析(PCA)构造更好的特征.根据这些结果,本文提出了一种新的无监督特征选择算法LLS,它首先从LLE中计算样本间的局部关系,然后用这些关系估计每个特征对内在流形结构的贡献.这些贡献被表示为LLS评分、排序并作为特征选择的依据.我们还提出了一种推广LLS的局部线性旋转选择算法.在一些数据集上的实验结果说明了本文算法比基于拉普拉斯特征图的算法更有效.
%K 流形学习
%K 拉普拉斯特征图
%K 局部线性嵌入(LLE)
%K 特征选择
%U http://www.aas.net.cn/CN/abstract/abstract18500.shtml