Semi-supervised locality dimensionality reduction
半监督局部维数约减

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。