论文总结1:关于图结构优化的无监督特征选择
来源:互联网 发布:军粮 知乎 编辑:程序博客网 时间:2024/05/16 15:26
摘要
因为无标签和高维数据的不断增长,无监督特征选择成为了一个重要且具有挑战的问题在机器学习当中。同时无监督学习方法要求构造相似性矩阵,所以使得特征选择依赖于结构的学习。但是现实世界中的数据包含很多噪音,无法完全依赖于相似性矩阵。因此,本文提出一种无监督特征选择的方法能够有效选择特征,同时我们构造的相似性矩阵,能够从数据中获得更精确的有用信息。
相关工作
现有方法的问题:
- 不可靠的相似矩阵
- 近邻分配不当
方法论–SOGFS
1 数据集X,相似性矩阵S,原始目标函数:
2 样本与样本之间的差异载乘上相似性矩阵,同时对相似性矩阵乘上正则化参数作为约束
3 引入拉普拉斯矩阵,用来反映特征对数据集的局部保存特征 同时拉普拉斯矩阵的秩为n-c,这里的c表示连接部分,也就是相关性强的部分
4 再引入W矩阵,XW作为线性连接,且W为稀疏矩阵
这样对原始数据进行了两次筛选,对数据进行权重的设定,选择出较优的样本后,计算图结构,提取结构特征
优化算法
1 利用拉格朗日的KTT条件,构造需要迭代优化求解的目标函数
2 固定S更新W
3 固定S更新F
4 固定W和F更新S
不断迭代直到收敛
关于参数的设置:aifa表示样本邻居的数目
邻居的数目是对样本按照从高到低的顺序依次排序的结果
论文链接:链接:http://pan.baidu.com/s/1mi80dtu 密码:gymm
阅读全文
0 0
- 论文总结1:关于图结构优化的无监督特征选择
- 基于伪label的一类无监督特征选择方法
- 无监督分词中ngram片段的基础特征总结
- 无监督特征学习涉及的基本概念
- 无监督特征学习
- Deep learning:二十(无监督特征学习中关于单层网络的分析)
- 读论文笔记:无监督的卷积神经网络对单目视图的深度估计
- 无监督特征学习基本原理
- ICML论文精选:无监督学习的研究和应用
- 1 监督、无监督概念
- 无监督特征学习:模拟简单细胞、复杂细胞属性的特征(上段工作总结)
- 监督学习与无监督学习总结
- 无监督特征学习(半监督学习+自学习)
- 科学论文1-软件缺陷预测中基于聚类分析的特征选择方法
- 数据挖掘总结之有监督学习与无监督学习的区别
- 使用森林优化算法的特征选择
- 推荐无监督特征学习和深度学习的在线教程,Andrew Ng
- 单层网络模型下对无监督特征学习算法的分析
- office 2016 64 位 VBE6EXT.OLB 不能被加载
- NOIP 2015[D2 T1] 跳石头
- Android 自定义View——表盘实例
- java导出word的6种方式
- R语言使用gradient boosting方法对数据分类
- 论文总结1:关于图结构优化的无监督特征选择
- 网络socket编程相关函数
- 整合SSM框架,启动时报错java.lang.NoClassDefFoundError: org/codehaus/jackson/JsonProcessingException
- JDBC进阶功能2
- Oracle 定义变量总结
- 兄弟选择器
- String、StringBuffer和StringBuilder
- Qt基础 10_MainWindow
- JAVA生成Word文档