文献

J-GLOBAL ID：201702249563352138   整理番号：17A0261238

スパース学習に基づくロバスト表現属性選択アルゴリズム【JST・京大機械翻訳】

FEATURE SELECTION ALGORITHM WITH ROBUST SELF-REPRESENTATION BASED ON SPARSE LEARNING

著者 (4件)： He Wei (Guangxi Key Lab of Multi-source Information Mining and Security,Guangxi Normal University) ,  Liu Xingyi (Qinzhou University) ,  Cheng Debo (Guangxi Key Lab of Multi-source Information Mining and Security,Guangxi Normal University) ,  Hu Rongyao (Guangxi Key Lab of Multi-source Information Mining and Security,Guangxi Normal University)
資料名： Jisuanji Yingyong Yuruanjian  (Jisuanji Yingyong Yuruanjian)
巻： 33  号： 11  ページ： 193-196,239  発行年： 2016年 
JST資料番号： C2940A  ISSN： 1000-386X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 属性選択による高次元データ表現の高効率と高次元の表現方法の部分空間クラスタリングにおける応用の啓発を受け、スパース学習に基づく自己表現属性選択アルゴリズムを提案した。まず第一に,各々の属性を他の属性の線形表現によって表現した。次に,スパース学習の理論(すなわち,L2,1-ノルムを統合することによって,正準正規化ペナルティ項目的関数)を選択して,属性選択を実現した。分類精度と分散を評価指標として,他のアルゴリズムと比較して,実験結果は,このアルゴリズムがより重要な属性を選択することができて,非常に良いロバスト性を有することを示した。Data from the ScienceChina, LCAS. Translated by JST【JST・京大機械翻訳】

シソーラス用語： 正規化 ,  *ロバスト性 ,  ペナルティ ,  線形性 ,  *アルゴリズム ,  目的関数 ,  高次元 ,  *透視図法 ,  ノルム ,  *学習
準シソーラス用語： 評価指標 ,  分類精度 ,  部分空間クラスタリング ,  高次元データ ,  *属性選択 , 【Automatic Indexing@JST】

著者キーワード (4件)： High-dimensional data ,  Feature selection ,  Featrue self-representation ,  Sparse learning

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 学習 ,  ロバスト ,  表現 ,  属性選択 ,  アルゴリズム