文献

J-GLOBAL ID：201702258057840380   整理番号：17A0369044

教師なし特徴選択のためのグラフ自己表現法【Powered by NICT】

Graph self-representation method for unsupervised feature selection

著者 (7件)： Hu Rongyao (Guangxi Key Lab of Multi-source Information Mining & Security, Guangxi Normal University, Guilin, Guangxi 541004, China) ,  Zhu Xiaofeng (Guangxi Key Lab of Multi-source Information Mining & Security, Guangxi Normal University, Guilin, Guangxi 541004, China) ,  Cheng Debo (Guangxi Key Lab of Multi-source Information Mining & Security, Guangxi Normal University, Guilin, Guangxi 541004, China) ,  He Wei (Guangxi Key Lab of Multi-source Information Mining & Security, Guangxi Normal University, Guilin, Guangxi 541004, China) ,  Yan Yan (University of Trento, Italy) ,  Song Jingkuan (University of Trento, Italy) ,  Zhang Shichao (Guangxi Key Lab of Multi-source Information Mining & Security, Guangxi Normal University, Guilin, Guangxi 541004, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 220  ページ： 130-137  発行年： 2017年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 部分空間学習法と特徴選択法の両方は,高次元データからirrelative特徴を除去するためにしばしば使用される。特徴選択法は安定した性能を出力解釈能力と部分空間学習法を持つことを示した。本論文では,部分空間学習法(すなわち,局所性保存射影(LPP))を統合した新しい特徴選択法(すなわち,スパース特徴レベル自己表現法)に,安定した性能と解釈能力を受けている同時にを目指すによる新しい教師なし特徴選択を提案した。各試料は全ての試料で表され,機械学習およびコンピュータビジョンにおいて一般的に使用されている伝統的なサンプルレベル自己表現とは異なり。本論文では,特徴レベル自己表現損失関数プラスL2 1ノルム正則化項を工夫することにより特徴選択を行うためにその関連特徴による各特徴を表現するために提案した。は特徴選択と部分空間学習を同時に行うもので得られた特徴選択モデルへのグラフ正則化項(すなわち,LPP)を追加した。LPP正則化項の理論的根拠は,LPPはirrelative特徴を除去した後,データの元の分布を保存することである。最後に,UCIデータ集合と他の実データセット上での実験を行い,実験結果により,提案アプローチは,すべての比較アルゴリズムより優れていることを示した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 正則化 ,  局所性 ,  コンピュータビジョン ,  アルゴリズム ,  射影 ,  損失関数 ,  次元縮小 ,  透視図法 ,  ノルム ,  乗算器 ,  機械学習 ,  *特徴選択
準シソーラス用語： 高次元データ ,  部分空間学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： 次元縮小 ,  交互方向法乗算器 ,  局所性保存射影 ,  自己表現

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 教師 ,  特徴選択 ,  グラフ ,  自己表現