文献

J-GLOBAL ID：201702255500995966   整理番号：17A0406484

多様性誘起自己表現による教師なし特徴選択【Powered by NICT】

Unsupervised feature selection via Diversity-induced Self-representation

著者 (5件)： Liu Yanbei (School of Electronic Information Engineering, Tianjin University, PR China) ,  Liu Kaihua (School of Electronic Information Engineering, Tianjin University, PR China) ,  Zhang Changqing (School of Computer and Science Technology, Tianjin University, PR China) ,  Wang Jing (Faculty of Science and Technology, Bournemouth University, United Kingdom) ,  Wang Xiao (Department of Computer Science and Technology, Tsinghua University, PR China)
資料名： Neurocomputing  (Neurocomputing)
巻： 219  ページ： 350-363  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： 特徴選択は,原特徴セットから関連する特徴の部分集合を選択することである。実際の応用では,ラベルのアンアベイラビリティについてまだ挑戦的な問題である。この問題を克服するために,教師なし特徴選択アルゴリズムが開発され,有望な性能を達成した。しかし既存手法の大部分は,特徴の代表のみを考慮するが,高冗長性と価値ある特徴の損失につながる可能性がある特徴の多様性は無視した。本論文では,代表性と多様性を持つ特徴を効率的に選択する発散誘導自己表現(DISR)に基づく教師なし特徴選択法を提案した。特に,特徴の固有の自己表現特性に基づいて,最も代表的な特徴を選択できる。一方,選択された特徴の多様性を保存し,できるだけ早く元の特徴の冗長性を低減するために,著者らは新規な多様性,特徴間の類似性を組み込むことにより選択された特徴の重みを調整することを導入した。は,不正確な拡張Lagrange法(ALM)を用いて最適化問題を解くための効率的アルゴリズムを提案した。最後に,クラスタリングと分類タスクは,提案した方法を評価した。合成データセットと九つの実世界データセット上での実験結果により,最先端レベルアルゴリズムと比較して提案手法の優位性を示した。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： アルゴリズム ,  最適化問題 ,  *特徴選択 ,  冗長性 ,  部分集合 ,  クラスタ化 ,  類似性
準シソーラス用語： 効率的アルゴリズム ,  選択法 ,  アンアベイラビリティ , 【Automatic Indexing@JST】

著者キーワード (4件)： 教師なし特徴選択 ,  多様性と代表性 ,  自己表現 ,  冗長性低減

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 多様性 ,  誘起 ,  自己表現 ,  教師 ,  特徴選択